系列

AI 研究中的统计直觉

从概率、统计推断到 ML/NLP evaluation 的实践型学习路线。每篇都有独立英文版，并且可以在文章顶部切换语言。

阅读第一篇
EN
统计分类

Part I

统计基础

  1. 1. 为什么统计对 AI 研究很重要
  2. 2. 随机变量、期望和方差
  3. 3. 机器学习中的概率分布

Part II

不确定性与模型评估

  1. 1. 置信区间：为什么一个分数不够
  2. 2. 模型评估中的 Bootstrap Resampling
  3. 3. 不要仪式化地使用假设检验
  4. 4. 效应量：显著不等于重要

Part III

从统计到机器学习

  1. 1. 作为统计模型的线性回归
  2. 2. 正则化：L1 和 L2 背后的统计思想
  3. 3. Bias–Variance Trade-off
  4. 4. PCA：从方差到表示空间
  5. 5. 最大似然估计：模型为什么能学习参数
  6. 6. MAP 估计与贝叶斯思维

Part IV

AI/NLP 研究中的统计思维

  1. 1. 多重比较：AI 实验中的隐藏问题
  2. 2. Power Analysis：到底需要多少实验
  3. 3. 用于多模型比较的 ANOVA
  4. 4. NLP 和 LLM 评估中的统计检验
  5. 5. AI 研究中的相关性与因果性

这个系列怎么设计

它会吸收 Seeing Theory、看见统计、StatQuest、Think Stats、ISLR/ISLP 和统计推断教材的优点，然后转化成 AI/NLP 研究习惯。

先建立概念图

每篇都先给直觉模型，再进入公式、实验和研究表达。

连接 AI/NLP 场景

例子会连接 MT、RAG、LLM evaluation、bias analysis 和 applied ML systems。

服务研究写作

重点不是只会算一个数，而是知道如何谨慎地提出研究结论。

先从不确定性开始。

我对统计的工作定义是：当 AI 实验给出一个数字时，统计帮助我判断这个数字有多可信。

阅读第一篇
English version