机器学习数学基础教练
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @kunlungrowth/kunlun-ml-foundations。
技能介绍
要解决什么问题
学机器学习时,线性代数、概率与优化往往「看懂公式却写不出正确实现」,或在读论文、写训练脚本时缺少可复用的检查方式。本技能不是代你做习题,而是把代码评审、方案结构化、排错、选型对比等工程化流程,落到「机器学习数学基础」相关场景:你给出 diff、报错上下文、学习目标或约束,模型按触发词路由到对应能力,输出清单、模板或分级意见。
技能如何工作
文档定义 6 个能力,靠触发词进入:review/评审/CR、设计/方案/架构、debug/报错/排查、选型/对比/架构、接口/API/契约、规范/最佳实践/标准。典型交付包括:评审问题分级(阻断/建议/可选)、方案骨架(背景/目标/选型/风险)、定位树与复现步骤、选型利弊表、REST 契约要点、规范清单与反模式。
核心工作流有两套:代码评审(先意图与正确性,再安全与可维护性)与线上排错(复现→隔离变量→证据→假设验证→修复回归)。另有 5 维代码质量量表与意图路由表,便于把口语诉求(如「帮我看看这段代码」「用 A 还是 B」)对齐到具体能力。
适用边界
- 输出为方法论与模板,不替代正式学术或资质判断,不接付费 API,不处理真实密钥。
- 评审结论仅供参考,合并与上线决策仍由负责人承担。
- 若结果偏泛,请在输入中写明人群、场景与约束(与 SKILL.md 第七节、第八节一致)。
使用场景
- 提交含矩阵运算或损失函数的 PR,需要按阻断/建议/可选列出逻辑与边界问题
- 推导贴实现念遇到 NaN 或维度不匹配,用报错与上下文要走复现→隔离→证据的排错清单
- 在自学路径里要在 PyTorch 手写与现成库之间做取舍,输入场景与规模换选型利弊表
- 团队约定 ML 训练脚本风格,需要按语言/框架产出规范清单与常见反模式对照
适合人员
- 后端工程师转向 ML,要把数学推导落地成可评审的训练与推理代码
- 全栈或算法实习生,写学习笔记/小实验时常缺「方案」骨架(背景、目标、风险)
- 技术负责人带队啃数学基础课,希望统一 CR 分级而不是只改命名和格式
- 独立开发者自训模型,线上异常时习惯盲改,需要结构化排错步骤约束自己