AMA2634 统计导论：从描述统计、概率分布到统计推断与线性回归
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：
1 | 数据与抽样 |
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。
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。
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。
Recent Posts
AMA4680 统计机器学习教程：从正则化、核方法、分类器到聚类与 MDP
这篇文章根据 AMA4680 Statistical Machine Learning 的讲义和 tutorial 资料整理。它适合作为一篇经典机器学习入门到进阶的路线图：先从线性代数与回归复习开始，然后进入 ridge / lasso / kernel methods，再到分类问题中的 decision tree、Naive Bayes、SVM、logistic regression、ANN，最后补上无监督学习的 clustering 和强化学习基础 MDP。
如果 AMA3602 更像“怎样把一个线性模型建扎实”，那么 AMA4680 更像“怎样理解经典机器学习算法家族”。这门课的价值不只是会背算法公式，而是建立一个清晰框架：什么是监督学习，为什么需要正则化，核方法在做什么，分类器如何定义边界，无监督学习如何发现结构，MDP 如何把机器学习从预测推进到决策。