00 · 怎么用这份教程

⏱ 12 分钟 ｜ ⭐ 其他板块教你从数据里学，这一套教你在【数据很贵】的时候怎么办

🎯 一句话

这套教程讲的是：当一条标签意味着一次真实的实验时，机器学习要怎么改。 不是讲生物学，也不是讲某个具体模型 —— ⭐ 讲的是科学问题变成建模问题的那一步，以及那一步上四个反直觉的地方。

⭐ 按你手上的问题进，不要按技术名词进。 每条路线都从站内真实存在的页开始：

💀 如果你只有时间读一章，读 07。 它讲的那个坑会让你的所有指标都是假的，而且默认设置下你看不出来。

外加附录A · 速查：所有实测数字和判据集中在一页，查表用。

⭐ 全书正文 8 章合计 3.6 小时（连导读和附录 4.0 小时）。

它们贯穿全部八章，⭐ 每一条都有实跑数字撑着，不是观点。

① 先验和数据可以互换，而且买的是速度不是上限。 01 章实测：一列领域知识特征 ≈ 把训练集翻一倍；而数据一多，那一列就白给了。06 章在预训练表示上量到同一条曲线。

② 有对称性的问题，要么换目标，要么改结构 —— 别指望数据增强。 04 章走第一条路（预测距离而不是坐标）， 05 章走第二条。

③ 随机划分在这里是作弊。 07 章实测：同一份数据、同一个模型，只改划分方式， R² 从 0.707 掉到 −1.199（负数 = 还不如猜均值）。

④ 数据是你去生产的，所以「挑什么去做」本身就是个建模问题。 08 章实测：贪心挑候选 8 次只成功 2 次，UCB 8 次全中。

⚠️ 写清楚边界，比多写两章有用。

不讲	为什么
生物学本身	不是教程的目的，也不是我的领域。氨基酸、二级结构这些只给一句够用的
具体模型的榜单成绩	🗓️ 半年就过期。⭐ 全书没有一个榜单数字，模型名一律标「请查最新的」
具体软件的用法	同上。讲的是形状不是 API
神经网络基础	站内已有更好的：机器学习与深度学习基础

⭐ 留下的是不会过期的那部分：怎么把一个科学问题变成一个建模问题，以及那一步上会踩的坑。

必需的很少：会 numpy，知道什么是训练集测试集、什么是过拟合。 ⭐ 全书的代码只用 numpy，没有一行需要 GPU 或安装深度学习框架 —— 每一段都能直接复制到空文件跑。

不确定的话，这两章补一下就够：

补什么	去哪
线性回归、正则化（书里到处在用岭回归）	机器学习与深度学习基础 03 · 线性模型
训练/测试划分、过拟合、交叉验证	机器学习与深度学习基础 05 · 评估与过拟合

⚠️ 但注意：第二条里那个「随机划分」在这个板块不能直接用 —— 那正是 07 章的正题。

去哪	为什么
数据这一关 14 · 数据泄漏的七种来源	⭐ 本板块 07 章是它 ④ 分组泄漏在科学数据上的实例。区别是「组」给没给你 —— 那边 `user_id` 是现成一列，这边得自己按相似度聚
数据这一关 12 · 标注预算与主动学习	08 章飞轮的近亲：那边候选池给定，这边样本是你造出来的
强化学习基础 07 · 探索与利用	08 章那个 `预测值 + κ × 不确定性` 的完整形态
机器学习与深度学习基础	⭐ 承重墙。这个板块假定你会那里前几章的内容

👀 答案

其他板块讲「从给定的数据里学」，这一套讲一条标签意味着一次真实实验时该怎么办 —— 数据贵、量少，而且数据是你去生产的。
07 · 评测的坑。 因为它讲的那个坑会让你所有指标都是假的，而且默认设置下看不出来。
①先验和数据可互换、买速度不买上限（01：一列特征 ≈ 翻一倍数据；06：同样的曲线）②有对称性要么换目标要么改结构（04 / 05）③随机划分是作弊（07：R² 0.707 → −1.199）④挑什么去做本身是建模问题（08：贪心 2/8，UCB 8/8）。
生物学本身、具体模型的榜单成绩（🗓️ 会过期，全书零榜单数字）、具体软件用法、神经网络基础（站内已有更好的）。
会 numpy + 知道训练/测试划分和过拟合。⭐ 代码只用 numpy，不需要 GPU 或深度学习框架，每段都能复制到空文件直接跑。

⭐ 读完这一页你该做的就一件事：回到第一节那张表，挑一行，点进去。

⚡ 走神救援

先记住这几件事

下一节 👉 01-第一天.md

打卡记录保存在你的浏览器里，首页能看到总进度