5 机器学习入门到实战
这一阶段解决的是“能不能把一个问题变成可训练、可评估、可改进的模型项目”。你会从数据出发，完成任务定义、baseline、训练、评估、特征工程和复盘。
故事化导入：训练一名“会复盘的实习生”
机器学 习可以想象成训练一名实习生：你先给它一些历史案例，让它从案例里总结规律；再拿一部分没见过的案例考试，看它是否真的学会；如果成绩不好，就回头检查数据、特征、指标和模型。这个过程不是一次成功，而是不断试错、评估和改进。
学习闯关地图
互动练习：先猜，再训练，再复盘
每做一个机器学习任务，先在训练前写下自己的猜测：哪些特征可能有用，哪个指标最重要，模型可能在哪里出错。训练后再对照结果复盘。这样你不会只是“调用 fit 和 predict”，而是在练习 AI 工程师真正需要的建模判断力。
项目彩蛋
本阶段的彩蛋作品可以是一份“模型侦探报告”：不仅展示模型分数，还要解释数据从哪里来、为什么选择这个指标、baseline 有多强、错误样本有什么共同点、下一步怎么改。这样的报告比单纯贴一个准确率更像真实工作成果。
阶段定位
| 信息 | 说明 |
|---|---|
| 适合对象 | 已掌握 Python、数据分析和 AI 数学最小基础的学习者 |
| 预估学时 | 120～160 小时 |
| 前置要求 | 完成前三个阶段 |
| 阶段产出 | 房价预测、客户流失预测、用户分群或 Kaggle 入门项目 |
新手最小通关路线
新手先掌握分类、回归、聚类、训练集测试集、baseline、评估指标这些主干概念，不需要一开始背所有算法细节。只要能用 Scikit-learn 跑通一个完整建模流程，并解释模型分数代表什么，就算完成最小通关。
进阶深入路线
有经验的学习者可以重点深入特征工程、交叉验证、偏差方差、调参策略、数据泄漏和误差分析。进一步尝试把模型训练流程封装成 Pipeline，并比较多个模型在同一指标下的表现。
机器学习在 AI 历史中的位置
机器学习把 AI 从“人类手写规则”推进到“机器从数据中学习规律”。专家系统时代依赖大量人工规则，而机器学习开始让模型通过数据自动拟合模式。今天的大模 型很强，但数据划分、评估指标、过拟合、泛化、特征和误差分析这些机器学习思想仍然是 AI 工程的基础。
新人先做什么，进阶再做什么
新人第一次学这一阶段时，先跑通一个最小分类或回归项目：划分数据、建 baseline、训练、预测、评估、写结论。不要急着比较很多模型，先学会判断分数是否可信。
有经验的学习者可以把重点放在误差分析和实验设计上：baseline 是否足够强，指标是否匹配目标，是否有数据泄漏，错误样本有什么模式。你的目标是写出别人能复现、能质疑、能继续优化的建模报告。
本阶段学习路径
第一章学习机器学习基础概念，包括任务类型、训练集和测试集、Scikit-learn 基本用法，以及数学如何流入机器学习。
第二章学习监督学习，包括线性回归、逻辑回归、决策树和集成学习。你会理解分类和回归任务如何建模。
第三章学习无监督学习，包括聚类、降维和异常检测。你会理解没有标签时如何发现结构。
第四章学习模型评估与选择，包括指标、交叉验证、偏差方差和调参。这里决定你是否能判断模型到底好不好。
第五章学习特征工程。对很多真实表格数据项目来说，特征理解和处理比模型选择更重要。
第六章进入实战项目，把完整建模流程跑通。
学完后你应该能做到
- 能判断一个问题是分类、回归、聚类还是异常检测
- 能用 Scikit-learn 建立 baseline 模型
- 能合理划分训练集和测试集，避免数据泄漏
- 能选择合适指标评估模型
- 能做基础特征处理和模型改进
- 能把模型结果整理成可解释的项目报告
常见误区
不要把机器学习学成模型名称大全。真正重要的是完整流程：问题怎么定义，数据怎么准备，第一版模型怎么做，指标怎么看，失败时先查哪一步。
也不要一开始就追求复杂模型。很多项目应该先用简单 baseline，确认数据和评估没问题，再逐步尝试更复杂的方法。
建模错误剧场：分数很高也可能不可信
如果模型分数异常高，先怀疑数据泄漏、训练测试划分错误或目标列被间接放进特征；如果训练分数高但测试分数低，优先检查过拟合；如果所有模型都很差，先回头看标签质量、特征含义和指标选择，而不是马上换更复杂模型。
阶段复盘卡：从数据表到建模报告
学完这个阶段后，可以用下面这张表检查自己是不是已经把机器学习学成一条完整链路，而不是只记住了几个模型名。
| 复盘问题 | 你应该能回答什么 |
|---|---|
| 问题定义 | 这是分类、回归、聚类还是异常检测？为什么？ |
| 数据准备 | 哪些列是特征，哪一列是标签，是否需要清洗或编码？ |
| Baseline | 最简单的第一版模型是什么，分数大概是多少？ |
| 指标选择 | 为什么用准确率、F1、MAE、RMSE 或其他指标？ |
| 错误分析 | 模型主要错在哪些样本或场景？ |
| 下一步优化 | 应该先改数据、特征、模型，还是评估方式？ |
这一阶段真正的出口，是你能写出一份别人看得懂的建模报告：它不仅有分数，还有问题定义、数据说明、baseline、指标、错误分析和下一步计划。
最小可运行实验：先做一个可信 baseline
本阶段最小实验是选择一个表格数据任务，先不追求高分，只完成数据划分、baseline 训练、指标计算和错误样本查看。你要证明模型结果来自正确流程，而不是数据泄漏或偶然运气。
from sklearn.model_selection import train_test_split
from sklearn.dummy import DummyClassifier
from sklearn.metrics import classification_report
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
model = DummyClassifier(strategy="most_frequent")
model.fit(X_train, y_train)
print(classification_report(y_test, model.predict(X_test)))
先有 baseline，再谈优化。没有 baseline 的模型分数，很难判断到底有没有进步。
机器学习失败案例库：先查数据和评估
| 现象 | 常见原因 | 定位方法 | 修复方向 |
|---|---|---|---|
| 分数异常高 | 数据泄漏、划分错误、目标列进入特征 | 检查特征列表和切分方式 | 重新划分，移除泄漏特征 |
| 训练好测试差 | 过拟合、样本少、特征噪声大 | 对比训练集和测试集指标 | 简化模型、正则化、增加数据 |
| 所有模型都很差 | 标签质量差、特征弱、指标不合适 | 查看错误样本和标签定义 | 改数据、补特征、换指标 |
| 结果无法复现 | 随机种子、依赖或数据版本未固定 | 重跑并比较数据版本 | 固定 seed、保存配置和数据说明 |
阶段验收 Rubric
| 等级 | 验收标准 | 作品集证据 |
|---|---|---|
| 最低通关 | 能训练 baseline 并解释指标 | 训练脚本、指标输出 |
| 推荐通关 | 能做模型对比和错误分析 | 实验表、错误样本、特征说明 |
| 作品集通关 | 能写出完整建模报告和迭代计划 | README、评估记录、复盘报告 |
阶段项目
基础版是完成一个表格数据 baseline 项目，包含数据划分、模型训练和基础指标。标准版需要加入特征处理、交叉验证、模型对比和误差分析，形成一份可解释的建模报告。挑战版可以选择 Kaggle 入门题或真实业务数据，加入实验记录、特征迭代和部署前的风险说明。
如果你想看更细的学习顺序，可以阅读 学习指南：机器学习怎么学最不容易学乱。
本阶段趣味任务卡
| 玩法 | 本阶段任务 |
|---|---|
| 剧情任务 | 让助手学会判断 模型是否真的有效：先做 baseline，再比较模型、指标和错误样本。 |
| Boss 战 | Baseline 守门员 |
| 可解锁徽章 | Baseline 守门员、泄漏侦查员 |
| 新手轻松版 | 只完成一个最小输入到输出闭环，先留下运行截图或命令输出 |
| 作品集证据 | baseline 指标表和错误样本 |
如果你觉得本阶段内容很多，先把这张任务卡当作最低目标。能完成新手轻松版，就可以继续往后学；以后准备作品集时，再回来升级标准版和挑战版。
阶段交付物
| 交付物 | 最小版 | 作品集版 |
|---|---|---|
| Baseline 模型 | 完成一次训练和测试集评估 | 说明问题类型、数据划分、指标和 baseline 意义 |
| 特征处理记录 | 做基础缺失值和类别编码 | 记录特征选择、变换理由和数据泄漏检查 |
| 模型对比表 | 比较 2 个模型或参数 | 有交叉验证、指标解释和误差分析 |
| 错误样本分析 | 列出几个预测错误样本 | 归因到数据、特征、模型或指标选择 |
| 建模报告 | 写清运行命令和分数 | 展示问题定义、实验过程、结果、限制和下一步 |
和 AI 学习助手贯穿项目的关系
本阶段可以对应 AI 学习助手 v0.5：预测学习任务延期风险，或把学习问题分类为环境、语法、数据、模型、RAG、Agent 等类型。 如果你正在按贯穿项目路线学习，建议本阶段结束时至少提交一次版本记录：本阶段新增了什么能力、如何运行、示例输入输出是什么、遇到了什么问题、下一步准备怎么改。
阶段通关标准
| 通关层级 | 你需要做到什么 |
|---|---|
| 最低通关 | 能完成回归、分类、聚类项目，并解释特征、指标、过拟合和 baseline。 |
| 推荐通关 | 完成本阶段至少一个可运行小项目，并在 README 中记录运行方式、示例输入输出和遇到的问题。 |
| 作品集通关 | 把本阶段产出接入“AI 学习助手”贯穿项目，留下截图、日志、评估样例和下一步计划。 |
学完本阶段后，不需要把所有细节都背下来。更重要的是能说清楚：本阶段解决什么问题，它和上一阶段的关系是什么，以及它会怎样支撑后续学习。下一阶段会进入神经网络和深度学习训练。