阶段学习任务单：机器学习入门到实战
这个阶段的目标是让你理解机器学习项目的完整闭环：定义问题、准备数据、构造特征、训练模型、评估效果、分析错误。不要把重点放在背算法公式上，而要把每个算法放回“它适合解决什么问题、如何判断效果好坏”的场景里。
本阶段必须完成的任务
| 任务 | 产出物 | 通过标准 |
|---|---|---|
| 建立 ML 问题意识 | 一份问题定义说明 | 能区分分类、回归、聚类和异常检测 |
| 跑通 sklearn baseline | 一个最小训练脚本 | 能完成 train/test split、fit、predict、score |
| 完成特征工程 | 一份特征处理记录 | 能说明缺失值、类别变量、标准化和泄漏风险 |
| 完成模型评估 | 一份指标对比表 | 能解释准确率、召回率、F1、AUC 或 RMSE 的适用场景 |
| 完成阶段项目 | 一个可复现实验项目 | 有 README、数据说明、指标、失败样本和改进计划 |
推荐学习顺序
先学习机器学习基本概念和 sklearn 工作流，再学习监督学习、无监督学习、评估方法和特征工程。特征工程不要放到最后才看，因为真实项目里模型效果往往首先取决于数据和特征。
每学一个算法，都要同时问三个问题：它的输入是什么，它输出什么，什么情况下它可能失败。这样比单独记住算法名称更有用。
和 AI 学习助手项目的关系
本阶段对应 AI 学习助手的 v0.4 学习建议 baseline。你可以用历史学习问题和阶段标签训 练一个简单分类器，预测新问题属于哪个阶段或哪个主题。这个模型不一定很强，但能帮助你理解“从规则到模型”的变化。
建议实现一个简单版本：手工准备几十条学习问题样本，使用 TF-IDF 或简单文本特征，训练一个分类模型，输出推荐章节。然后和规则匹配方法对比，记录各自优缺点。
常见卡点
常见问题包括训练集测试集混用、用测试集调参数、只看准确率、忽略类别不平衡、特征处理在切分前完成导致数据泄漏、模型结果无法复现。机器学习项目里，评估流程是否正确通常比模型是否高级更重要。
轻松版 / 标准版 / 挑战版任务
| 难度 | 你要完成什么 | 适合谁 |
|---|---|---|
| 轻松版 | 训练 Dummy baseline 并输出指标 | 第一遍学习、时间少或刚入门的学习者 |
| 标准版 | 训练真实模型并和 baseline 对比 | 希望把本阶段放进作品集的学习者 |
| 挑战版 | 检查一次数据泄漏、类别不平衡或错误样本 | 已有基础、想做更强项目证据的学习者 |
本阶段徽章与 Boss 战
| 类型 | 内容 |
|---|---|
| Boss 战 | Baseline 守门员 |
| 可解锁徽章 | Baseline 守门员、泄漏侦查员 |
| 最小通关口号 | 先跑通、再解释、再记录失败 |
| 证据保存建议 | 把截图、日志、失败样本或评估表保存到 reports/、evals/ 或 logs/ |
完成轻松版就可以继续前进；完成标准版才建议写进作品集；挑战版只在你有余力时再做。
阶段作品集交付物
如果你想把本阶段成果沉淀到作品集，建议至少保留下面这些文件或等价材料。
| 交付物 | 说明 |
|---|---|
train.py 或 Notebook | 可复现的 baseline 训练流程，包含数据切分、训练和评估 |
feature_report.md | 特征含义、缺失值处理、编码、标准化和泄漏风险检查 |
metrics.md | 记录 accuracy、F1、AUC、RMSE 等指标及选择理由 |
error_analysis.md | 保存预测错误样本，分析数据、特征、模型或指标问题 |
README.md | 问题定义、运行命令、模型结果、限制和下一步计划 |
这些材料会让机器学习项目不只是“跑出一个分数”，而是具备可复现、可解释、可改进的建模闭环。
阶段通关问题
学完后，你应该能回答这些问题：为什么要划分训练集和测试集，什么是数据泄漏，什么时候准确率不可靠，Pipeline 解决什么问题，为什么一个简单 baseline 是所有 ML 项目的起点。
完成状态 Checklist
- 我能把一个问题判断为分类、回归、聚类或异常检测。
- 我能用 sklearn 跑通一个 baseline，并保存评估结果。
- 我能区分训练集、验证集和测试集的职责。
- 我能识别至少一种数据泄漏风险，并用 Pipeline 降低风险。
- 我已经完成一个机器学习项目，并记录指标、错误样本和改进计划。