C++ 程序设计入门到实用：语法、函数、数组、算法、类与指针
这篇笔记根据 AMA2222 Principles of Programming 的课件整理，目标不是把 C++ 语法逐条背下来，而是建立一条能真正写程序的路线：先理解输入、输出和变量，再用条件与循环控制程序流程，然后用函数拆分问题，用数组和字符串保存数据，用搜索、排序、递归训练算法思维，最后进入类、继承、运算符重载、指针和动态内存。
如果你是从 Python 转到 C++，最重要的差异是：C++ 更强调类型、内存、编译和程序结构。Python 里很多事情解释器帮你处理了，C++ 会要求你明确地告诉电脑变量是什么类型、数组有多大、函数返回什么、对象如何初始化，以及什么时候申请或释放内存。
DSAI4205 动手教程：用 Pandas、Dask、Spark RDD 与 SparkSQL 完成大数据分析入门
上一篇 DSAI4205 笔记偏“全景导览”，解释了大数据分析的系统主线。这一篇换成动手教程：根据 Tutorial 1-4、solution PDF 和配套数据，把 Pandas、Dask、Spark RDD、SparkSQL 串成一条从单机数据分析到分布式数据处理的实践路线。
读完这篇，目标不是记住所有 API，而是建立一个非常重要的迁移关系：
DSAI4205 Big Data Analytics 全景导览：从分布式系统到 NLP、图分析与推荐系统
这篇文章根据 DSAI4205 Big Data Analytics 的 Lecture 1-10 和复习材料整理。目标不是把课件逐页翻译一遍，而是把这门课真正要训练的思维串起来：当数据大到单机放不下、处理不过来、结构又越来越复杂时，我们应该如何存储、计算、分析和建模。
如果只背术语，很容易把这门课学成一堆零散概念：HDFS、Dask、Spark、Hive、NLP、PageRank、NoSQL、推荐系统。更好的理解方式是把它们看成同一个问题的不同层次：
最优化核心概念导览：Convexity、Duality、KKT 与数值优化
最优化是机器学习、数据挖掘、运筹、控制和 AI infra 里都会反复出现的一条主线。训练模型是在最小化 loss，推荐系统是在优化排序目标，推理系统是在优化吞吐和延迟；即使问题表面很不一样，背后经常都可以抽象成“目标函数 + 约束 + 求解算法”。
这篇文章根据 AMA4850 的复习材料整理，但这里不按考试提纲写，而是把它改写成一篇最优化知识导览：从凸性出发，接到对偶理论、KKT 最优性条件，再到梯度下降、拟牛顿法、罚函数和 barrier method。原 PDF 保留在这里，方便对照完整材料。
股票市场情感分析项目复盘：从传统机器学习到 DistilBERT、LoRA 与 XGBoost Hybrid
这篇文章整理 DSAI4205 项目中的股票市场情感分析实验。项目目标是对 stock market crash 相关社交媒体文本做三分类情感识别，并比较传统机器学习、轻量 PLM 微调、LoRA 参数高效微调，以及 DistilBERT + XGBoost hybrid 模型的效果。
SVD 应用笔记：图像压缩、推荐系统、PCA 与 SVM Kernel
这篇笔记整理 SVD 在机器学习中的几个典型用法：低秩近似做图像压缩、矩阵分解做推荐系统、PCA 做降维，以及 SVM 中常见 kernel 的选择。主线是同一个：把高维数据表示成更少、更重要的方向。
Tensor 分解入门笔记：从基本记号到 CP、Tucker 与 PARAFAC2
这篇笔记主要根据 Kolda 与 Bader 的综述论文 Tensor Decompositions and Applications 整理，用来建立张量分解的基础概念。可以把它理解成从矩阵分解继续往高维数组推广：向量是一阶张量，矩阵是二阶张量，三维及以上数组就是高阶张量。
Pandas 入门到实用：数据读取、清洗、合并、聚合与项目流程
Pandas 是 Python 中最常用的数据分析库之一。它适合处理表格数据，例如 CSV、Excel、实验记录、Kaggle 数据集、推荐系统日志和机器学习训练数据。
如果说 NumPy 更像“高效数组计算工具”，那么 Pandas 更像“带行列标签的表格处理工具”。它最适合做数据分析项目的前半段：读取数据、检查质量、清洗字段、构造特征、合并多张表、聚合统计，最后把干净的数据交给模型或可视化工具。
多元微积分是在一元微积分的基础上，把函数、导数、积分推广到更高维空间。
一元微积分研究的是一条线上的变化，多元微积分研究的是平面或空间中的变化。它在机器学习、优化、物理建模和计算机图形学中都很重要。