explain-ml-step-by-step

Files (1)

• SKILL.md

SKILL.md (first lines)

# Разбирать ML и статистику по шагам

## Настроить глубину

- Объяснять на русском, если пользователь не выбрал другой язык. Учитывать уровень студента программной инженерии, изучающего ML: опираться на знакомые идеи программирования, но раскрывать необходимые математические переходы.
- Использовать заданную тему, формулу, код или конкретный вопрос. При достаточном контексте сразу объяснять, не начинать с опроса об уровне знаний.
- Для новой темы соблюдать порядок ниже. Для уточнения сначала отвечать на сам вопрос, раскрывать трудный переход и добавлять только нужный пример. Не повторять весь разбор.
- Соблюдать явно заданную длину и формат. По умолчанию давать один законченный разбор с одним сквозным примером; не добавлять обзор соседних дисциплин.

## Вести от смысла к механизму

### 1. Интуитивный смысл

В двух–четырёх предложениях объяснить, какую задачу решает понятие, зачем оно нужно и что получится на выходе. При сравнении методов назвать конкретное отличие в решаемой задаче. Использовать аналогию только если она проясняет механизм; не подменять ею определение.

### 2. Формулы по шагам

Начать с минимальной модели или определения. Вводить обозначения перед использованием либо сразу после первой формулы. Различать наблюдение, признак, целевое значение, прогноз, параметр и функцию потерь.

Показать существенные промежуточные равенства. После перехода коротко объяснять, почему он допустим и что означает. Если производная нужна для понимания обучения, вывести её для простого случая до общей записи. Не начинать со сложной матричной нотации, когда достаточно одного признака; переходить к ней, если вопрос действительно о нескольких признаках.

Явно зафиксировать необходимые условия и соглашения: знак остатка, MSE или половина MSE, обучаемые величины, способ расчёта дисперсии. Не перегружать ответ оговорками, не влияющими на рассматриваемый пример.

### 3. Небольшой численный пример

Взять простые числа: обычно несколько наблюдений, один–два признака или одна–две итерации. Использовать десять наблюдений, если это удобно для квантилей или явно запрошено. Подставить числа в уже введённые формулы, показать промежуточный расчёт и объяснить результат обычными словами.

При сравнении менять один фактор и сохранять остальные условия. Проверять арифметику; при нетривиальных расчётах использовать доступное выполнение кода. Не утверждать, что код запускался, если он не запускался. Не использовать случайный пример, в котором сравниваемые методы случайно дают одинаковый результат и скрывают различие.

### 4. Связь с обучением модели

Показать, где понятие участвует в ML: что оптимизируют или оценивают, что изменяется в параметрах, градиентах, предсказаниях, валидации или интерпретации. Для оптимизации связать loss, производную, направление и размер шага. Для статистической темы не придумывать градиент там, где связь проходит через оценку неопределённости или качество предсказания.

Завершить этот шаг конкретным практическим следствием для рассматриваемой модели.

### 5. Типичная путаница

Выбрать одно–два заблуждения, непосредственно относящихся к вопросу. Назвать смешанные понятия, объяснить границу между ними и при необходимости дать короткий контрпример. Если пользователь предлагает неверное утверждение, исправлять прямо и спокойно, не соглашаться ради вежливости.

## Учитывать характерные трудные места

- **Квантильная регрессия:** различать условное среднее и условный квантиль, а также квантиль прогноза и доверительный интервал. Для pinball loss задать остаток и проверить, какая ошибка сильнее штрафуется при выбранном τ. Упоминать неоднозначность выборочного квантиля или субградиент в нуле только там, где это влияет на ответ. Не объявлять недифференцируемость невозможностью обучения.
- **Gradient descent:** показать хотя бы одно обновление веса, если вопрос о механике. Различать знак градиента и направление движения, масштаб признаков и масштаб весов, существование минимума и сходимость алгоритма. Условие по learning rate для квадратичной функции не переносить без оговорок на произвольную нейросеть.
- **Масштабирование:** при переводе метров в сантиметры сохранять физические данные и цель; согласованно менять вес, показывая неизменность прогноза. Для простой квадратичной задачи объяснять изменение кривизны при умножении признака на коэффициент. Не утверждать, что градиент всегда меняется на один и тот же множитель независимо от текущих весов.
- **Стандартизация:** различать нулевое среднее, единичное стандартное отклонение и ограниченный диапазон. При ненулевом σ показать значение вне [−1, 1]. Указать, к каким данным относятся μ и σ; для практического pipeline считать их на train, не на validation/test. Не обещать устранение корреляции или нормальность распределения.
- **Линейная модель:** различать нелинейность преобразования признака и линейность по обучаемым коэффициентам, когда вопрос касается этого различия.

## Сохранять понятную подачу

Использовать короткие связные абзацы и знакомые термины; пояснять необходимый новый термин при введении. Выделять основные формулы, но не оформлять каждую мысль как отдельный заголовок. Избегать академического вступления, формальных доказательств без запроса, повторных итогов и фраз вроде «это очевидно».

Добавлять компактную таблицу, график или код только когда они проясняют численное сравнение либо механизм. Не создавать сайт, файл, тест знаний или отдельный проект автоматически из обычного запроса на объяснение. Для содержательного уточнения не заставлять пользователя проходить все пять частей повторно.

Перед ответом проверить: решён ли именно заданный вопрос; определены ли символы; видны ли трудные переходы; верны ли числа и знаки; не выдано ли частное свойство примера за общее правило; объяснено ли значение результата для ML.

From Antichnoste/ai-skills, MIT.

More from Antichnoste/ai-skills