section-ml-ai

name	section-ml-ai
description	Generate comprehensive R machine learning and AI tutorials (mlr3, tidymodels, xgboost, torch, etc.) with theory + practice workflow. Use when: (1) User requests ML/AI tutorials, (2) File names match 10xx-*.rmd pattern, (3) Keywords: classification, regression, clustering, feature engineering, hyperparameter tuning, random forest, SVM, neural networks.

核心任务

生成机器学习与 AI 类教程 (.rmd/.qmd)，涵盖算法原理、工程实践、模型评估、可解释性，强调 "问题定义 → 数据准备 → 模型训练 → 评估优化 → 可解释性"。

快速启动 (Quick Start)

1. 确定算法: 如 "随机森林分类 (Random Forest)"。
2. 加载模板: 阅读 content-structure.md 获取 YAML 和标题结构。
3. 生成内容: 遵循 "原理 -> 工作流 -> 训练 -> 评估 -> 调参 -> 可解释性" 流程。
4. 视觉设计: 参考 visual-templates.md 生成封面图和算法流程图。
5. 质量检查: 验证交叉验证与导航更新。

完整工作流程

步骤1: 逐部分生成教程内容（CRITICAL - 分段生成策略）

⚠️ 重要：教程内容超过 300 行时必须分段生成，避免一次性输出过长内容。

分段生成流程：

1. 第一部分：生成 YAML 头部 + Setup + 教程目标 + 算法原理 + 数据准备（约 150-200 行）
2. 第二部分：追加模型训练 + 模型评估 + 超参数优化（约 150-200 行）
3. 第三部分：追加模型可解释性 + 实战案例 + 总结（约 100-150 行）
4. 验证完整性：确认所有必需章节都已包含

使用 edit 或 bash 追加内容时的注意事项：

• 使用 edit 工具在特定位置插入内容
• 或使用 cat >> file.rmd << 'EOF' 追加大段内容
• 每次追加后检查文件行数确认成功

内容生成要求：

• 必须包含: 完整的建模流程（数据划分、特征工程、训练、评估、调参）
• 可复现性: 所有随机操作必须设置种子 set.seed(2026)

步骤1.5: 生成配图并在文章中引用（CRITICAL）

⚠️ 必须完成的两步操作：

第一步：生成图片文件

1. 封面图 (MANDATORY):

   • 路径：doc/images/[number]-[topic]-cover.svg
   • 风格：现代、专业、与主题相关
   • 工具：使用 write 工具创建 SVG 文件

2. 文内示意图 (MANDATORY - 每篇至少 1 张)：

   • 路径：doc/images/diagrams/ml-*.svg
   • 格式：必须使用 SVG 格式（不要用 PNG，即使内容是 SVG 也要用 .svg 扩展名）
   • 尺寸要求（CRITICAL）：
     • 推荐标准尺寸: viewBox="0 0 1400 800" (宽 1400, 高 800)
     • 对比表格图: 1400×800～1400×900 (横向宽幅)
     • 决策树: 1400×800 (横向布局，避免过高导致显示不全)
     • 流程图: 1200×600～1400×800 (横向流程)
     • 架构图: 1000×800～1200×800
     • ⚠️ 避免: 过高的纵向布局 (如 1000×1100)，会导致显示不全
   • 用途：结构对比、流程图、决策树、算法原理示意
   • 示例场景：
     • 多算法对比表格图
     • 算法选择决策树
     • ML 工作流程图
     • 特征工程流程
     • 模型架构示意图

第二步：在文章中引用图片（CRITICAL - 必须执行）

⚠️ 生成图片后必须立即在文章中添加引用，否则图片不会显示！

引用位置与方法：

1. 封面图：已在 YAML 头部 image: 字段引用，无需额外操作

2. 文内图必须用 Markdown 语法引用：

   正确做法：

## 算法对比分析

![六大聚类算法特性对比](images/diagrams/clustering-algorithms-comparison.svg)

**图示说明**：上图总结了六种算法在簇形状适应性、计算复杂度等维度的对比。

错误做法（生成了图但不引用）：

## 算法对比分析

下面我们对比六种算法...
（没有 ![...](images/...) 语法，图片不会显示）

插入图片的最佳位置：

• 算法对比表 → 在"总结与推荐"章节插入
• 决策树/流程图 → 在"算法选择"章节插入
• 工作流程图 → 在"教程目标"或"ML工作流程"章节插入
• 架构图 → 在"算法原理"章节插入

图片生成与引用的完整示例：

# 步骤1: 使用 write 工具生成 SVG 图片
write(filePath="doc/images/diagrams/ml-workflow.svg", content="<svg>...</svg>")

# 步骤2: 在文章对应位置添加引用（使用 edit 工具）
## ML 工作流程概览

![机器学习完整工作流程](images/diagrams/ml-workflow.svg)

**流程说明**：上图展示了从数据准备到模型部署的完整流程...

验证图片引用是否成功：

# 检查文章中是否包含图片引用
grep "!\[.*\](images/diagrams/" doc/[number]-[topic].rmd
# 应该至少看到 1-2 条匹配结果

⚠️ 常见错误：

• ❌ 生成 SVG 内容但使用 .png 扩展名 → 图片无法显示
• ❌ 生成图片但不在文章中引用 → 图片无法显示
• ✅ 正确：生成 .svg 文件 + 在文章中用 Markdown 引用

步骤2: 验证渲染 (CRITICAL)

在提交前必须进行本地渲染验证，确保代码可运行且格式正确。

# 渲染单文件验证内容
quarto render doc/[number]-[topic].rmd

# 确保无报错、包缺失或格式问题

步骤3: 更新导航系统 (CRITICAL)

⚠️ 重要顺序：必须先创建文章 → 更新 _quarto.yml → 运行 generate_sections.R

必须执行以下步骤，否则新文章无法在网站侧边栏和分类页显示。

⚠️ 更新导航前务必验证:

• 确认新文件已成功渲染
• 确认文件编号无冲突
• 确认YAML元数据正确

1. 更新 doc/_quarto.yml:

   • 找到 sidebar -> contents -> 机器学习与 AI 部分。
   • 添加新条目，注意缩进:

               - text: "文章标题"
                 href: "[number]-[topic].rmd"
     

2. 运行自动生成脚本 (MANDATORY - 在更新 _quarto.yml 之后):

   • ⚠️ 必须在 _quarto.yml 更新后运行，否则新的文章链接不会出现在 sections 中
   • 此脚本会根据 _quarto.yml 更新 sections/machine-learning.qmd 等分类索引页。

   # 在 doc 目录下运行
   cd doc && Rscript generate_sections.R
   

3. 渲染 sections 页面 (MANDATORY - 必须执行):

   ⚠️ 运行 generate_sections.R 后必须立即渲染 sections 页面！

   # 渲染 machine-learning 页面（新增文章所在分类）
   quarto render doc/sections/machine-learning.qmd
   
   # 如果需要，也渲染主页以更新导航
   quarto render doc/index.qmd
   

   为什么必须渲染：

   • generate_sections.R 只更新 .qmd 源文件
   • 必须渲染才能生成 HTML，新文章链接才会出现在网站侧边栏

4. 验证 sections 已更新:

   # 检查新文章是否出现在 sections/machine-learning.qmd 中
   grep "[number]-[topic]" doc/sections/machine-learning.qmd
   

步骤4: 最终渲染与提交

1. 重新渲染受影响页面:

   quarto render doc/sections/machine-learning.qmd
   quarto render doc/index.qmd
   

2. 提交代码:

   git add doc/[number]-[topic].rmd doc/images/[number]-[topic]-cover.svg
   git add doc/_quarto.yml doc/0001-guide.rmd README.md doc/sections/machine-learning.qmd
   git commit -m "feat(ml): 新增[算法名称]机器学习教程"
   

写作规范

• 内容标准:
  • 详细度: 内容必须详尽，起到深入教程的作用。
  • 篇幅: 不少于 300 行 (Not less than 300 lines)。
  • 比例: 文字说明约占 70%，代码约占 30% (70% text, 30% code)。
  • 结构: 必须提前构建全面的内容框架，然后根据框架填充详细内容。
• 框架: 推荐使用 mlr3 或 tidymodels 现代框架。
• 指标: 必须展示多个评估指标（如 ACC, AUC, F1 等）。
• 调参: 必须包含超参数优化步骤（网格搜索或随机搜索）。

参考资源

• content-structure.md: 详细内容模板与标题规范。
• visual-templates.md: SVG 封面与示意图模板库。
• hyperparameter-guides.md: 常用算法调参指南。