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。
🧭 一、你现在的问题是哪一个
⭐ 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:
| 你现在的问题 | 第一站 | 最短能走通的路线 |
|---|---|---|
| ⭐ 只是想知道这和普通 ML 差在哪 | 01 · 第一天 | 01 → 07;先观察一个例子,再核对评测目标 |
| 我的数据只有几十条 | 06 · 小数据这一关 | 06 → 07 → 08,可分次完成 |
| 我的模型指标好得可疑 | 07 · 评测的坑 | ⚠️ 先读这一章,别先调模型 |
| 我要处理序列数据 | 02 · 序列不是文本 | 02 → 03 → 06 |
| 我在做分子/结构相关的东西 | 04 · 从序列到结构 | 04 → 05 |
| 实验做完了,下一批做什么 | 08 · 飞轮 | 08(可先补 06) |
如果指标看起来过好,先读 07 · 评测,判断测试集是否对应真实使用场景;不是所有随机划分都错。
📚 二、八章各讲什么
| 章 | 一句话 | 什么时候需要它 |
|---|---|---|
| 01 · 第一天 | 比较一列领域特征与增加样本,在本例中各带来什么 | ⭐ 入门,也是全板块的钩子 |
| 02 · 序列不是文本 | 五条来自 NLP 的直觉,逐条要改 | 你要处理序列 |
| 03 · 蛋白质语言模型 | 序列表示可能包含结构信息,但相关不直接等于接触 | 你想用预训练表示 |
| 04 · 从序列到结构 | 坐标、距离与对齐各表达什么,保留哪些信息 | 你的输出是几何对象 |
| 05 · 等变与不变 | 比较数据增强、不变特征与等变结构的条件 | 同上,另一条路 |
| 06 · 小数据这一关 | 冻结 + 小头,让无标注数据出力 | ⭐ 标签只有几十条 |
| 07 · 评测的坑 | 先明确要预测相似样本,还是未见过的家族 | 准备报告结果时 |
| 08 · 飞轮 | 挑候选不是挑分数最高的 | 你能去做新实验 |
外加 附录A · 速查:所有实测数字和判据集中在一页,查表用。
🔬 三、这个板块的四条主张
这四个问题贯穿正文。实验展示一种条件下的现象,不把一次结果推广成普遍定律。
① 领域特征或预训练表示,在这份数据上有没有帮助?
01比较 one-hot 与加入疏水性特征;06比较 one-hot 与无标签数据学到的 PCA 表示。它们是可复跑的合成实验,不是真实蛋白预训练成绩。
小数据下的提升不意味着“先验能固定兑换成几倍数据”,也不能从短曲线判定上限永远不变。
② 你的输出允许旋转、平移或镜像吗?
坐标预测本身没有错。问题是损失是否把允许的刚体变化也当成错误;距离表示还可能无法区分镜像。增强、不变特征、等变网络可以按目标选择或组合。
③ 测试集代表将来哪一种使用场景?
07的合成数据中,随机划分得到 R² 0.707,按家族划分得到 −1.199。它们回答的是不同泛化问题。
如果上线要预测未见家族,训练测试间的近亲重叠会让评估偏乐观;如果目标就是同一总体中的新样本,不能不看任务就禁止随机划分。负 R² 表示本次预测比“使用这份测试集的目标均值”这个数学参照更差。
④ 下一批实验怎么选,也需要评估
08中,8 个种子、每次 25 轮预算内,贪心 2/8 成功,UCB 8/8 成功。“成功”指新点进入网格最优点 0.15 邻域,不是精确命中连续全局最优。
这个结果支持继续比较探索策略,不保证 UCB 在别的问题上全胜。实验失败也必须计入比较。
🚧 四、这份教程刻意不讲什么
⚠️ 写清楚边界,比多写两章有用。
| 不讲 | 为什么 |
|---|---|
| 生物学本身 | 本页以建模为主,不能代替生物学、实验设计或领域专家的判断 |
| 具体模型的榜单成绩 | 模型与榜单会变化;选用具体模型时重新核对评测任务与版本 |
| 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 |
这里优先解释相对稳定的判断方法: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。
🧱 五、需要什么基础
必需的很少:会 numpy,知道什么是训练集测试集、什么是过拟合。 本模块用小规模 NumPy 实验解释机制,不要求 GPU。实验的输入、import 与运行条件在相邻代码处核对;合成实验不代替真实生物数据验证。
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 |
划分方式要对应预测目标;不能把随机划分当成唯一默认,也不能一律判错。具体例子见 07。
🔗 这一章连到哪里
| 去哪 | 为什么 |
|---|---|
| 数据这一关 14 · 数据泄漏的七种来源 | 本板块 07 章与分组泄漏共享机制;科学数据有时已有家族标签,有时需要按相似度定义组 |
| 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 | 比较探索与利用;08 使用高斯过程的 UCB,和多臂老虎机的具体置信项不同 |
| 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 |
✅ 检查点
- 小数据下加一列特征有效,能推出以后都等于增加一倍数据吗?
- 预测三维坐标本身有什么错吗?应先核对什么?
- 什么时候应该按家族分组,而不是只用随机划分?
- UCB 在 8 个种子中全成功,能保证新任务也成功吗?
- 想运行实验,需要哪些基础?
👀 答案
- 不能。收益依赖数据、模型、特征与样本量;要看学习曲线及重复实验。
- 没有天然错误。要核对坐标框架、允许的变换、对齐和损失;距离也有镜像等信息边界。
- 目标是预测未见家族时,验证与测试应体现这种分离;同总体新样本是另一目标。
- 不能。这里只覆盖合成问题、8 个种子与 25 轮预算;还要报告成功定义和失败情况。
- 会 NumPy,理解训练/验证/测试和过拟合。正文小实验不要求 GPU;具体依赖以代码的 import 和运行说明为准。
本节回顾
⭐ 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
- 科学数据常由昂贵实验产生,先明确要支持什么判断或下一次实验。
- 按序列、结构、小数据或评测问题选择入口,不必先顺读所有章节。
- 先检查数据独立性、对称性和评估方式,再决定是否增加模型复杂度。
下一节 👉 01-第一天.md