前置与目标
先读数学与机器学习工作流，遇到向量表示先补 embedding 笔记。共 10 步；时序与推荐是任务选修，可根据目标先完成前七步。 全量关系见 系统大纲。
学习方法
每步先复述概念，完成表格、手算或设计任务，再核对原始资料；缺失的前置通过篇目前置卡补读。区分假设示例与真正执行的日志。
完成标准
留下数据字典、划分说明、基线与候选表、指标/校准/群体报告方案。时序与推荐分别增加时间轴和反馈定义。这里是概念、手算与设计任务，没有训练成绩。
核验范围
2026-10-07：按笔记前置关系组织；没有启动训练、生产发布、云服务或统计实验。
- 01
数据与特征管线：先划分，再拟合
验证任务：画出数值/类别处理器，标注每个 fit 的数据来源。
- 02
监督学习算法：线性、树、集成与距离
验证任务：为回归/分类列基线、线性、树与其他候选的比较口径。
- 03
无监督学习：聚类、降维与异常检测
验证任务：写缩放、聚类/降维参数与人工验证计划。
- 04
机器学习评估：指标、阈值与交叉验证
验证任务：手算混淆矩阵和 MAE/RMSE，选择实体或时间划分。
- 05
概率校准与不确定性：分数能否支持决策
验证任务：写训练/校准/测试隔离与可靠性图的字段。
- 06
公平性与可解释性：分组评估和解释边界
验证任务：设计整体/分组报告，说明特征重要性不等于因果。
- 07
实验统计：配对比较、区间与显著性
验证任务：设计配对比较及独立抽样单位，不填未经计算的区间。
- 08
Embedding 与向量检索：表示、相似度和索引
验证任务：手算点积与余弦，解释近邻和表示的边界。
- 09
时序预测：窗口、基线与滚动验证
验证任务：画预测时点、horizon、lag/滚动窗口及基线。
- 10
推荐系统：召回、排序、反馈与冷启动
验证任务：画召回/排序/重排，注明曝光、冷启动和评价候选集合。