前置与目标
先掌握数学和机器学习工作流。共 8 步，复用现有性能与安全笔记；实际部署、训练和线上实验需要具体平台与授权，此路径先完成可核查设计。 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
交付一次运行的版本清单、数据/行为测试、模型质量与性能门槛、回滚步骤和监控表。每个告警区分管线错误、分布变化和质量退化；记录负责人和证据，不自动替换模型。
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：列训练与服务共用的预处理与字段语义。
- 02
监督学习算法：线性、树、集成与距离
验证任务：写候选算法和简单基线，固定比较条件。
- 03
机器学习评估：指标、阈值与交叉验证
验证任务：确定质量指标、切片、阈值与划分。
- 04
实验统计：配对比较、区间与显著性
验证任务：设计同样本配对比较与区间，不把离线差异当因果收益。
- 05
MLOps 生命周期：版本、测试、发布与回滚
验证任务：写数据/行为测试、运行清单与发布/回滚门槛。
- 06
AI 推理工程：延迟、缓存、吞吐与复现
验证任务：设计负载、质量、延迟、吞吐和版本记录。
- 07
AI 应用安全：数据、权限、注入与执行
验证任务：明确权限、敏感日志和外部执行边界。
- 08
数据漂移与监控：分布变化不等于质量下降
验证任务：写数据/服务/模型监控、标签延迟和告警调查流程。