mod

Author: LucaJiang

docs/00-statistician-simulation-process.md

@@ -12,7 +12,18 @@
 统计学家的代码开发流程通常不是“先写最快的代码”，而是：
 
 ```text
-先构造可控数据 -> 写清楚可信的参考实现 -> 用 simulation 暴露失败模式 -> 修改统计定义或实现细节 -> 再逐步放大数据规模 -> 只优化真正成为瓶颈的计算模式
+1. 定义问题与目标；
+2. 建立数学模型；
+3. 生成数据；
+4. 验证模型；
+   4.1 在小数据上验证模型；
+   4.2 在大数据上验证模型；
+   4.3 在不同场景下验证模型；
+5. 优化模型；
+   5.1 在不同场景下优化模型；
+   5.2 针对性优化失败案例
+6. 验证优化后的模型；
+7. 重复上述过程，直到模型收敛或达到预设的停止条件。
 ```
 
 因此，对统计计算来说，理想的 Python 工具链不只是追求 benchmark 上的最低 runtime，而是要在以下目标之间取得平衡：