Data Science / NLP / LLM Applications

RichardF 的技术作品集与学习实验室

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。

NLP / LLM ApplicationsData Science / Big DataPython / C++ / PyTorch

Current TrackLearning in Public

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。

16 posts6 projects4 tracks

Stock Market Sentiment Classification

从传统机器学习 baseline 到 DistilBERT + LoRA，再到 XGBoost hybrid 的完整情感分类项目。

Python、C++、算法题、项目结构和可复现脚本。

线性代数、SVD、张量分解、优化和模型背后的数学。

Pandas、Dask、Spark、特征工程和大数据分析。

把项目文章、GitHub、实验结果整理成可面试讲述的作品。

Recent Posts

2026-09-30发表2026-09-30更新Statistics1 小时读完 (大约8144个字)

统计学不是一份需要背诵的公式清单。它真正研究的是：面对带有随机性、噪声和有限样本的数据，我们怎样描述现象、量化不确定性，并对总体作出有边界的判断。

本文根据 AMA2634 Introduction to Statistics 的 10 讲课程资料整理，主线是：

数据与抽样
  -> 描述统计
  -> 概率模型
  -> 随机变量与分布
  -> 抽样分布和中心极限定理
  -> 参数估计
  -> 假设检验
  -> 两总体比较
  -> 相关与回归

读完以后，不仅应该会代公式，还应该能判断：为什么采用这个统计量、公式依赖什么假设、结论可以说到什么程度，以及什么时候不能使用它。