本 wiki 的目标与计划：专业主干补到应用统计研究生的水平

这一页是计划，不是成果。2026-09-29 对整个站做了一次审核，结论只有一句：这个站现在是一个 AI 工程师的知识库，专业主干只到本科应用统计的水平。 要配得上「优秀应用统计研究生」，缺的不是文章和 skills，是四块专业主干——研究生级统计理论与计算、计量经济学、完整的机器学习、深度学习里和统计交集大的那部分。论文读完写成文章，把「读过的证据」放进 AI 链路。

审核、布局、清单、顺序都写在下面；文末有进度表，做一项回来划一项。

目标：一个应用统计研究生的专业体系

站点的定位不变——同一份 markdown 同时给人看、给 AI 读，见用对象存储部署 AI 友好的个人知识库。变的是内容主干：从「我做过的工程」扩到「我学过的专业」。

专业内容的定位取业界给应用统计人的差异化——推断、实验设计、因果、不确定性量化，这四样 CS 出身的人买不到。所以机器学习和深度学习要补，但补的姿势是拿统计的眼睛去看：GBDT 是函数空间的梯度下降、VAE 是变分推断、conformal prediction 是交换性加分位数——不是重做一遍 CS 课表。

审核：现状对照培养方案

拿教指委 2024 年应用统计专硕方案的五类专业基础课对照本站：

中美课表的交集是同一条线：数理统计 → 线性模型与 GLM → 统计计算 → 统计学习 → 多元与高维 → 时序 → 贝叶斯，外加因果、实验与抽样。国内方案普遍缺的是贝叶斯、试验设计、因果推断——恰好是业界最看重的那几样，也是本站统计学笔记已经先补上的部分。

现有 22 篇统计笔记的水平是「会用」：每篇两三千字，讲清 estimand、假设和检查清单，不讲证明和渐近。这一层是对的，缺的是它下面的理论层和旁边的方法层。

吸纳一本书，留下什么

补专业主干绕不开教材。先立规矩，不然补出来的是摘抄。

书里已有的一律标页码链回去，wiki 只留书里没有的四样。 教材本身已经是「用来读」的最优形态，wiki 是「用来取、用来复用」的形态，两者不是同一件事，所以不该复制。能留下来的只有四种残渣：

• 地图：这本书在我体系里的位置，哪几章能跳，它的口径和我别处的口径差在哪，读它前后该读什么。书自己写不了这个——书不知道我的体系
• 压缩：一章一句话、一个心智模型、一张自己画的图。判据是三个月后不翻书也能把这一章讲给别人。压缩必然带我的取舍，所以书里没有
• 手迹：我算出的数、答的题、写的代码、错过的地方。笔记里用 git 冲突标记给自己出的题，答上的就是手迹，写法见提问块
• 连线：这一章和另一本书、另一篇笔记、一篇论文、一个工作项目的关系。书不知道我还读了什么

两条判据够用：

• 查这个东西，翻书快还是翻 wiki 快？翻书快的就不写
• 换一个人读同一本书，会不会写出一模一样的这段？会的就是摘抄

定义、定理、证明、书上的例题原文，都过不了这两条。

教材一章大约一两万字，讲解写到两三百行就是在重讲。一章只留三样：一句话，骨架公式最多三个，一个换了数据的最小例子。 书的推导写「见书页 139」。

在版教材只摘句标页码。开放教材（ISLP、Blitzstein & Hwang、What If、d2l、BDA3、FPP3、UDL、The Effect、Mixtape 都有免费在线版）更简单：笔记直接链到线上那一章，人和 AI 都一键能到原文，摘抄的诱惑自然就小。

布局：七个板块各管什么

板块按板块怎么分：笔记、Gallery、文章、项目排在一根从通用到具体的轴上，Skills 是背面，收藏夹、维护在轴外。专业主干落在其中两处：

• 笔记收专业主干，一门学问一个分类，下面一个主题一页。书里的题、自己没想通的问题，用 git 冲突标记写进笔记，答案空着就是提醒，python3 scripts/course.py status 列出所有还空着的题
• 论文读完写成一篇文章，不另开板块。骨架：元数据（作者、年、venue、链接、代码）→ 一句话 → 它要解决什么 → 贡献 → 方法只写一到三个骨架公式 → 我复现的结果 → 局限与疑点 → 连线到本站哪篇笔记。「复现」一节必须引 assets/ 下的脚本真身和跑出的数，否则只算读过。读完在对应主题笔记加一段连线或一个例子，笔记不重抄论文

笔记新增三个分类，各有骨架：

现有 notes/statistics/ 保持「应用统计」定位，加第五组「多元与高维」；notes/machine-learning/ 骨架不变（概念 → 可算的小例子 → 什么时候用），扩成七组。

一科一本书，按依赖排，见下面的待记科目。

基建改动只有一次，一个提交做完：三个新笔记分类的索引、笔记索引挂钩子、mkdocs.yml 的 nav。可选的第二步是给页面加一个按需加载的 Pyodide 运行器，让 numpy 级的小例子像 JavaScript 笔记那样在页面上跑——不阻塞内容，先不做。

待记科目

按依赖排，一个科目只取一本书；笔记怎么收一本书定下来以后，再一门门开始记。

ESL、UDL、Bishop 2024、The Effect、Mixtape 只做参考，不单独成科目。

清单

统计进阶

计量经济学

机器学习

深度学习

分三档。必修档是和统计交集最大的部分，也是预测项目直接用得上的：

论文起步清单

先挑和现有笔记直接连线的十篇，每篇读完写成一篇文章，再回流一段到笔记：

后续按领域续。统计经典：Tukey 1962、Tibshirani 1996 lasso、Dempster 1977 EM。因果计量：Imbens-Angrist 1994、Rosenbaum-Rubin 1983、Chernozhukov 2018 DML、Wager-Athey 2018、Abadie 2021、Roth 2023 综述。ML：Breiman 2001 随机森林、XGBoost 2016、SHAP 2017、TabPFN 2025。DL：Adam、Dropout、BN、ResNet、VAE、DDPM、LoRA、InstructGPT、DPO、Kaplan 2020。

顺序与闸门

进入条件只有一条：经手过。 每篇新笔记必须带 assets/ 下能跑的脚本和它跑出来的数，给自己出的题答上了才算数，论文复现了才标复现。这条比清单本身重要——有 AI 帮忙写，篇数从来不是瓶颈，「我做过」才是。

阶段按依赖排，不排日期；科目的先后以待记科目为准，阶段说的是笔记和论文跟着哪几门长出来：

1. 基建：一个提交把三个新笔记分类建好，先空着骨架上线
2. 机器学习：记 ISLP，七组笔记跟着 lab 长出来，配十篇论文里的三篇。这块最快见效，也是和 CS 出身竞争的最低门槛
3. 理论主干：概率 → 数理统计 → GLM，待记科目第 2–4 门。清单里「数理统计」「线性模型与 GLM」两组从这几门的笔记回流，不再等下游拉动
4. 计量与因果：曼昆微观 → Wooldridge → What If，待记科目第 5–7 门，重心放在面板与政策评估那一组；交错 DID 与 DML 这些 2020 年后的标配靠论文文章补
5. 深度学习：d2l 只走基础与 Transformer 两段，然后直奔必修档里的时序、表格、不确定性三块
6. 其余主干：统计计算、贝叶斯、多元、宏观、时序、抽样、实验，待记科目第 9–15 门，清单对应各组同样从笔记回流

首批九件事，按顺序：

1. 基建提交
2. 论文文章第一篇：Efron 1979，连回重抽样笔记
3. ISLP 第 2 章笔记
4. ML 笔记「偏差-方差」，带模拟脚本
5. ML 笔记「GBM 是函数空间的梯度下降」，用 Poisson 损失接上 GLM
6. 论文：Grinsztajn 2022，复现其中一个数据集上 GBDT 对 MLP 的对比
7. 「异方差与稳健标准误」笔记，用 wooldridge 数据集
8. 论文：Callaway-Sant'Anna 2021，用 Python 现成实现复现一个例子
9. DL 笔记「conformal prediction」，在自己的预测项目数据上跑一遍覆盖率

进度

做了再回来补。

依据

审核对照的培养方案与教材来源，只指路不存档——本文没有引用原句，读者不依赖点开链接就能理解正文：

• 教指委应用统计专业硕士指导性培养方案（2024 年修订）¹：五类专业基础课、七个建议方向
• 中央财经大学²与上海财经大学³应用统计专硕课表：国内财经类院校的必修交集
• Stanford MS Statistics⁴、Berkeley MA Statistics⁵、CMU MADS handbook⁶、UChicago MS handbook⁷：美国项目的共同骨架
• Hernán、Hsu、Healy 2019 A Second Chance to Get Causal Inference Right⁸：数据科学任务分 description / prediction / causal inference 三类
• Wooldridge 8e 目录⁹、ISLP¹⁰、Blitzstein & Hwang¹¹、What If¹²、d2l.ai¹³、BDA3¹⁴、FPP3 Python 版¹⁵、UDL¹⁶、The Effect¹⁷、Mixtape¹⁸：待记科目与参考教材的开放版本
• Roth 等 2023 What's Trending in Difference-in-Differences¹⁹：交错 DID 新进展的综述
• TabArena 2025²⁰、Grinsztajn 2022²¹：表格数据上 GBDT 与深度模型的基准
• Angelopoulos、Bates 2021 A Gentle Introduction to Conformal Prediction²²：不确定性量化的入口
• Keshav 2007 How to Read a Paper²³：论文三遍读法，论文文章骨架的来源