1. 课程导论：离线特征与实时特征的定义、为什么需要一致性校验、课程目标与学习路径

1.1 离线特征与实时特征的定义

在机器学习工程中，特征（Feature）是模型预测的输入变量。根据特征的计算与供给时间窗口，可划分为两类核心形态：

1.2 为什么需要一致性校验

当模型从离线训练切换到在线推理时，特征值的不一致是线上效果“跌点”的首要原因。以下三类场景直接驱动一致性校验的必要性：

• 训练-推理偏差（Training-Serving Skew）： 离线训练使用 T+1 特征，线上推理使用实时特征，两者计算逻辑或数据源不同，导致模型输入分布偏移。
• 特征穿越（Feature Leakage）： 离线特征可能无意中使用了未来信息（如当天全量聚合值），而实时特征只能看到当前时刻之前的数据，造成离线 AUC 虚高、线上效果崩塌。
• 工程实现差异： 同一特征（如“用户过去 1 小时点击率”）在离线 SQL 与实时 Flink 作业中，因窗口定义、去重逻辑、空值处理不同，产生数值偏差。

1.3 课程目标

完成本课程后，学员将具备以下能力：

1. 理解一致性校验的理论基础： 掌握特征分布漂移检测、数值误差容忍度、时间窗口对齐等核心概念。
2. 掌握校验工程实现： 能够搭建离线-实时特征对比管道，涵盖数据采样、指标计算、阈值告警全链路。
3. 具备生产级调优能力： 针对高吞吐、低延迟场景，设计增量校验策略，降低计算开销。
4. 落地持续监控体系： 建立特征质量看板，实现从“人工排查”到“自动发现-定位-修复”的闭环。

1.4 学习路径与章节地图

课程共 30 章，按“基础 → 方法 → 工程 → 实战 → 进阶”五阶段递进：