机器学习笔记写作指南 (Writing Guidelines)#
核心原则#
顶级质量标准
- 教科书级的严谨：数学定义必须精确，符号规范统一。
- 小说级的可读性：语言通俗易懂，避免枯燥的教科书式说教。
- 工程师级的实战：每个概念都要回答"在机器学习中有什么用"。
内容结构规范
- 定义 (Definition)：严格的数学表达。
- 直觉 (Intuition)：用生活案例、几何图像或物理意义解释。
- 数学推导 (Derivation)：核心公式必须推导，展示逻辑链条。
- 可视化 (Visualization)：文字描述图形，帮助建立心理表征。
- ML应用 (Application)：连接到具体的算法或模型。
风格指南
- 避免：口语化表达（如"老铁"、“搞定”）、模糊的描述（“显然”、“容易看出”）。
- 提倡：学术专业术语、清晰的逻辑连接词、第一人称引导（“我们要解决…"）。
- 格式：
- 向量用粗体小写 $\mathbf{x}$，矩阵用粗体大写 $\mathbf{A}$。
- 重点内容使用引用块
>或加粗。 - 公式使用 LaTeX 块
$$ ... $$。
章节模板#
# 第XX章：[章节标题]
> **前言**
>
> [一段引人入胜的开场白，阐述本章的核心价值和学习目标。不仅要说学什么，更要说为什么学，以及学完后的思维升级。]
---
## 目录
- [X.1 核心概念一](#...)
- [X.2 核心概念二](#...)
...
---
## X.1 [核心概念一]
### 定义与直觉
[严格数学定义]
> **直觉/几何意义**
>
> [用通俗语言或几何视角解释。例如：投影就是向量在子空间上的"影子"。]
### 数学推导
[核心公式的推导过程]
### 在机器学习中的应用
- **应用场景1**：[解释]
- **应用场景2**：[解释]
...质量检查清单 (Checklist)#
- 完整性：是否覆盖了该主题的所有核心知识点？
- 深度：是否触及了本质（Worldview），而不仅仅是表象？
- 连贯性：章节之间是否流畅过渡，概念引用是否清晰？
- 准确性：公式、符号、定理描述是否百分百正确？
- 实战性：是否给出了具体的例子或数值计算过程？
常用 LaTeX 符号规范#
- 向量：
\mathbf{x}($\mathbf{x}$) - 矩阵：
\mathbf{A}($\mathbf{A}$) - 此集：
\mathbb{R}^n($\mathbb{R}^n$) - 梯度：
\nabla($\nabla$) - 偏导：
\partial($\partial$) - 期望：
\mathbb{E}($\mathbb{E}$) - 损失函数：
\mathcal{L}($\mathcal{L}$)