Data Science / NLP / LLM Applications
大四学生，正在系统整理 Python 工程、数据科学、机器学习、NLP/LLM 应用、 数学笔记和项目复盘。这里既是学习档案，也是逐步成型的技术作品集。
把课程项目、技术笔记和实验记录整理成长期可回看的作品体系。
从传统机器学习 baseline 到 DistilBERT + LoRA，再到 XGBoost hybrid 的完整情感分类项目。
DistilBERT / LoRA / XGBoost / Macro F1Python、C++、算法题、项目结构和可复现脚本。
02Math for ML线性代数、SVD、张量分解、优化和模型背后的数学。
03Data SystemsPandas、Dask、Spark、特征工程和大数据分析。
04Portfolio Output把项目文章、GitHub、实验结果整理成可面试讲述的作品。
AMA3724 线性代数与微分方程基础教程：从向量空间、投影、特征值到 ODE/PDE
这篇文章根据 AMA3724 Further Mathematical Methods 中线性代数与微分方程部分的讲义整理。它不是一份公式清单，而是一篇偏推导的教程：先从矩阵、向量空间和投影讲起，再推到特征值、对角化、正定矩阵与 SVD，最后说明为什么这些线性代数工具会自然进入常微分方程和偏微分方程。
如果只把这门课理解成“会算矩阵、会解微分方程”，会很容易碎片化。更好的主线是：
线性代数研究的是线性变换如何作用在空间上；微分方程研究的是一个量如何随时间或空间变化。当变化规律是线性的，线性代数就会变成解微分方程的语言。