量化投资的AI革命：从因子模型到深度学习的演进之路
系统梳理量化投资从因子模型到深度学习的演进之路，涵盖Fama-French因子模型、梯度提升树选股、Transformer时序预测、另类数据挖掘、LLM辅助研究等前沿话题，并展望AI量化策略的未来趋势与挑战。
深度学习
AI驱动的气候建模：深度学习如何革新环境预测
探讨深度学习如何革新气候建模与环境预测，涵盖混合建模GraphCast、降尺度技术、极端事件检测、生成式AI气候情景模拟、LLM科学发现等前沿方向，展望AI气候科学的挑战与未来。
时间序列分析深度实战：从平稳性、自相关与偏自相关到 ARIMA、季节性分解、指数平滑与卡尔曼滤波的完整工程链路
从第一性原理出发，用纯numpy从零实现时间序列分析七条主干：自相关ACF、偏自相关PACF定阶、ADF单位根平稳性检验、差分ARIMA、加法季节性分解、Holt-Winters指数平滑、卡尔曼滤波最优估计，并以非线性自回归把时间序列与RNN/Transformer/状态空间模型(SSM)打通，每段配可运行代码并附本地实跑数值。
拓扑学深度实战：从拓扑空间、开集闭集与连续映射到紧致性、连通性、分离公理与基本群和同伦的完整工程链路
从点集拓扑第一性原理出发，用纯Python从零实现有限拓扑引擎，覆盖开闭集/闭包/内部/边界、分离公理、连续性、紧致性(Heine-Borel)、连通性、基本群与同伦，每段配可运行代码并映射到深度学习(流形假设/损失地貌/Mode Connectivity/拓扑正则化)
组合数学深度实战：从生成函数、容斥原理与卡特兰数到斯特林数、Burnside 引理与组合计数的完整工程链路
深入剖析组合数学核心——生成函数卷积、容斥原理与错排、卡特兰数递归、斯特林数与贝尔数、Burnside 引理群计数，配6段可运行Python代码并映射现代深度学习（排列不变性/组合优化/假设空间）
泛函分析深度实战：从赋范空间、巴拿赫与希尔伯特空间到压缩映射、正交投影、再生核希尔伯特空间与神经正切核的完整工程链路
深入剖析泛函分析核心——赋范空间/巴拿赫/希尔伯特、有界算子与算子范数、巴拿赫不动点、正交投影与Gram-Schmidt、里斯表示定理与RKHS、神经正切核NTK，配6段可运行Python代码连接现代深度学习
从卷积神经网络到视觉Transformer：图像识别架构的范式转移与工程实战
系统梳理从卷积神经网络到Vision Transformer的架构演进：深入剖析CNN的归纳偏置与局限、ViT的核心原理与训练策略、Swin Transformer的工程革新，以及CNN与ViT在实际业务中的选型指南与推理优化技巧。
GPU 并行计算深度实战：从 CUDA 核心编程到内存层次的全栈优化
从GPU硬件微架构出发系统梳理CUDA编程核心抽象、内存层次优化策略以及性能调优方法论，覆盖SIMT模型、合并访问、Bank Conflict、Register Tiling、Tensor Core编程、Roofline分析等主题。
反向传播算法深度实战：从链式法则到现代深度学习引擎
从微积分链式法则出发，详解反向传播算法的数学原理与工程实现，涵盖PyTorch autograd引擎、梯度消失/爆炸解决方案、混合精度训练、Feedback Alignment与Z-Prop等现代变体，附完整NumPy实现。
AI推理优化实战：模型压缩与服务化部署全链路
深入研究AI模型推理优化技术，覆盖知识蒸馏、量化、剪枝、推理服务化和AI芯片加速等核心方向
