https://pomili.github.io/blog pomili Blog 2026-05-22T00:00:00.000Z https://github.com/jpmonette/feed pomili Blog https://pomili.github.io/img/favicon.svg <![CDATA[使用 Docusaurus 搭建个人文档站点]]> https://pomili.github.io/blog/hello-docusaurus 2026-05-22T00:00:00.000Z 从零开始，用 Docusaurus 搭建了一个个人文档站点。

为什么选 Docusaurus​

Docusaurus 是 Meta 开源的静态站点生成器，基于 React 构建，专为技术文档设计：

  • MDX 支持 — Markdown + JSX，文档里可以嵌入 React 组件
  • 开箱即用 — 搜索、版本管理、i18n、暗色模式全部内置
  • React 生态 — 可以自由扩展自定义组件
  • 静态构建 — 纯静态产物，部署到任何托管平台

搭建过程​

几行命令就完成了初始化：

npx create-docusaurus@latest docs-site classic --typescript
cd docs-site
npm start

本地开发服务器跑在 http://localhost:3000/，修改文档实时热更新。

配置要点​

核心配置文件是 docusaurus.config.ts，几个关键点：

  1. baseUrl — 本地用 /，部署到 GitHub Pages 需要改为仓库名，如 /docs-site/
  2. i18n — 中文站点设置 defaultLocale: 'zh-Hans'
  3. 主题定制 — 通过 custom.css 覆盖 Infima 变量，实现自定义配色

部署​

使用 GitHub Actions 自动部署到 GitHub Pages，推送即发布，无需手动操作。

这只是开始。后面会陆续补充更多内容，记录学习与开发的过程。

]]> pomili <![CDATA[机器学习学习路线：从入门到实践]]> https://pomili.github.io/blog/ml-roadmap 2026-05-22T00:00:00.000Z 从数学基础到工程落地，分享一条可执行的机器学习学习路线。

第一阶段：数学基础​

ML 的核心是数学，建议优先掌握以下内容：

线性代数​

  • 向量、矩阵、张量的基本运算
  • 特征值和特征向量（理解 PCA 的关键）
  • 矩阵分解（SVD、QR）

推荐资源：3Blue1Brown 的 线性代数的本质 系列视频。

概率论与统计​

  • 概率分布（高斯、伯努利、多项）
  • 贝叶斯定理
  • 最大似然估计（MLE）和最大后验估计（MAP）
  • 期望、方差、协方差

微积分​

  • 导数和偏导数
  • 链式法则（反向传播的基础）
  • 梯度下降的几何理解
  • 雅可比矩阵和海森矩阵（了解即可）

建议：不要等数学全学完再开始写代码，数学和编程同步进行，遇到不懂的再回头补。

第二阶段：编程工具​

Python​

ML 领域的通用语言，重点掌握：

  • NumPy — 矩阵运算和广播机制
  • Pandas — 数据清洗和特征工程
  • Matplotlib / Seaborn — 数据可视化
  • Scikit-learn — 经典 ML 算法的统一接口

深度学习框架​

二选一入门，后期两个都要了解：

  • PyTorch（推荐）— 动态计算图，调试友好，学术界主流
  • TensorFlow / Keras — 工业界部署成熟，生态完善

第三阶段：经典机器学习​

先掌握传统 ML 再进入深度学习，很多思想是相通的：

监督学习​

算法核心思想适用场景
线性回归最小二乘法连续值预测
逻辑回归Sigmoid + 交叉熵二分类基线
决策树 / 随机森林信息增益 + 集成表格数据
XGBoost / LightGBM梯度提升树Kaggle 竞赛首选
SVM最大间隔分类小样本高维数据
KNN距离度量简单分类/回归

无监督学习​

  • K-Means 聚类
  • DBSCAN（基于密度的聚类）
  • PCA 降维
  • t-SNE / UMAP 可视化

核心概念​

  • 偏差-方差权衡
  • 过拟合与正则化（L1/L2）
  • 交叉验证
  • 特征工程与特征选择
  • 模型评估指标（准确率、精确率、召回率、F1、AUC-ROC）

第四阶段：深度学习​

基础组件​

  • 全连接网络（MLP）
  • 激活函数：ReLU、GELU、Sigmoid、Tanh
  • 损失函数：交叉熵、MSE、Hinge Loss
  • 优化器：SGD、Adam、AdamW
  • 正则化：Dropout、Batch Normalization、Layer Normalization
  • 学习率调度与早停（Early Stopping）

计算机视觉（CV）​

  • CNN 基础：卷积、池化、感受野
  • 经典架构：LeNet → AlexNet → VGG → ResNet → EfficientNet
  • 目标检测：YOLO 系列
  • 图像分割：U-Net
  • 数据增强

自然语言处理（NLP）​

  • 词向量：Word2Vec、GloVe
  • RNN / LSTM / GRU
  • Seq2Seq + Attention
  • Transformer 架构（彻底理解这篇论文）
  • BERT / GPT 系列
  • 大模型时代：Prompt Engineering、RAG、Fine-tuning

生成模型​

  • GAN
  • VAE
  • Diffusion Models（Stable Diffusion）
  • 自回归模型

第五阶段：工程实践​

必做项目（由浅入深）​

  1. 用 Scikit-learn 做完整的分类/回归 pipeline（数据清洗 → 特征工程 → 训练 → 评估）
  2. 手写数字识别（MNIST）— CNN 入门
  3. 图像分类（CIFAR-10/CIFAR-100）— 学习训练调参
  4. 文本分类 / 情感分析 — NLP 入门
  5. Kaggle 比赛（从 Tabular Playground 开始）
  6. 部署一个模型作为 API 服务

MLOps 技能​

  • 实验追踪：MLflow、Weights & Biases
  • 数据版本管理：DVC
  • 模型部署：FastAPI、Docker
  • 模型服务：TorchServe、Triton Inference Server
  • 工作流编排：Airflow

学习资源推荐​

课程​

课程难度特点
吴恩达 Machine Learning入门经典课程，理论扎实
吴恩达 Deep Learning Specialization入门偏代码，适合快速上手
李宏毅 ML 课程入门-中级中文授课，讲解生动
CS231n (Stanford)中级计算机视觉方向
CS224n (Stanford)中级NLP 方向
李沐《动手学深度学习》入门-中级中文教材，代码驱动

书籍​

  • 《统计学习方法》李航 — 经典 ML 理论
  • 《机器学习》周志华（西瓜书）— 全面覆盖
  • 《动手学深度学习》(d2l.ai) — 代码 + 理论，强烈推荐
  • 《深度学习》(花书) — 适合进阶查阅，不适合入门

实践平台​

  • Kaggle — 比赛 + 数据集 + Notebook
  • Papers With Code — 论文 + 复现代码
  • Hugging Face — 模型和数据集社区

学习建议​

  1. 代码驱动：看视频/读书的同时一定要动手写代码，理论看懂和能跑通是两回事。
  2. 做项目而不是刷课程：完成一个完整项目比上完十门课更有价值。
  3. 读论文：养成读论文的习惯，从经典论文开始（ResNet、Transformer、BERT）。
  4. 写博客记录：把学到的内容用自己的话写出来，教是最好的学。
  5. 保持耐心：ML 领域知识更新快，关注基础原理而非追逐每个新热点。

学习路线不是线性的，不同阶段之间会有交叉和往复。关键是保持持续学习的节奏，每天进步一点。

]]> pomili