00 · 怎么用这份教程

⏱ 20 分钟 ｜ 建议读，它会告诉你哪些章可以跳

🎯 一句话

这份教程补的是承重墙——站里其他几套教程都默认你会的那一层。

🧱 它填的是哪个洞

补完这一层再去看那三套，很多「记住的结论」会变成「知道为什么」。

三个具体的例子：

📏 和其他几套的分工

💡 本教程和《数学原理》的区别： 这里说"L2 正则能防过拟合，这么加"； 那边说"L2 正则的真身是给参数加高斯先验，λ = σ²/τ²"。 先学这里，有疑问了再去那边。

🔧 标记系统（和其他教程一致）

⭐ 「走神救援」是这套教程里最该用的功能： 三天后回来接着学，不要从头读——直接读上一章的走神救援，30 秒接回上下文。

🗺️ 全教程结构

  【阶段1】先跑起来          01-02   ← 10 分钟出结果，建立直觉
  【阶段2】经典机器学习      03-06   ← 线性模型 / 树模型(04+04b 推导⭐⭐) / 过拟合 / 无监督
  【阶段3】深度学习地基      07-11   ← 神经网络 / 反向传播 / 优化 / 正则 / 调试
  【阶段4】三大架构          12-14   ← CNN / RNN / 通往 Transformer
  【阶段5】工程实践          15-16   ← PyTorch / 特征工程
  【阶段6】动手              17      ← 三个递进项目
  【阶段7】终极挑战          18-20   ← 手搓 mini-torch / 四种解法对决 / 过拟合实验室
  【随时查】                 附录A 术语速查 / 附录B 代码速查 / 附录C 手撕代码速查

⭐ 唯一一个带字母后缀的章：04b · XGBoost 的推导（52 分钟，和第 4 章一样长） 第 4 章故意停在「GBDT 的每棵新树拟合损失的负梯度」，而负梯度只给方向不给步长—— 04b 用二阶泰勒展开把「下一棵树该怎么长」写成有闭式解的目标函数，三巨头对比表也在那里，而且是推出来的不是背的。 🎁 只想会调参可以先跳过（第 4 章末尾有直达第 5 章的岔路），随时回来补都行。

三个附录不是一回事，别搜错门：

两章是全教程的核心，别跳：

💡 为什么是这两章：

其他章教你做加法（多会一个模型、多一种架构）。 这两章教你别做错——而在实践中，"没做错"比"多会一个模型"值钱得多。

⏱️ 五种读法

💡 如果只有一个下午：读第 5 章，跑完里面那个 "纯噪声数据也能跑出 76.5% 准确率" 的实验。 这一个实验的冲击力，抵得上十篇讲过拟合的文章。

🧰 环境（1 分钟）

pip install numpy scikit-learn matplotlib

深度学习部分（第 7 章起）再加：

pip install torch

第 4 章的 XGBoost/LightGBM 是可选的（教程里有 sklearn 替代版本）：

pip install xgboost lightgbm

💡 不想装？ 用 Google Colab，上面全都预装好了，还送 GPU。 全教程除了第 17 章项目三，都不需要 GPU，笔记本足够。

⚠️ 四条使用规则

① 数学看不懂就跳过公式，看「💡 人话翻译」

本教程的公式全部配了白话版。跳过公式不影响你学会用。 真需要补的那点数学在全景导论第 15 章，核心工具箱只有 5 件（向量点积 / 矩阵乘法 / Softmax / 交叉熵 / 梯度下降）。

② 代码必须跑 ⭐

这份教程和其他几套不同——它的知识必须靠手感建立。 光看「过拟合是训练好测试差」没用，你得亲眼看到那个 100% vs 91.8%。

   ⭐ 一个判断标准：
   如果你能说出一章里的结论，却说不出"我跑出来是多少"，
   那一章你其实没学

③ 别追求一次全懂

反向传播第一次看懂 50% 很正常。往下走，第 11 章调试实战会把它补上。

   ❌ 卡在第 8 章两小时，最后放弃整套教程
   ✅ 第 8 章懂 50% 就往下走，第 17 章手写一遍自然就懂了

④ 每章的 ✅检查点先自己想再看答案

答案是折叠的，这是故意的。 "看着答案觉得自己懂了"是学习里最大的幻觉——先自己答一遍，才知道哪里是空的。

🧠 给 ADHD 的四条具体建议

💡 一个真实有效的技巧：跑完一段代码就在旁边写一行"我看到了什么"。 不是为了记录，是为了给自己一个即时的完成感——这比"学完一章"的反馈快得多。

✅ 检查点

1. 这份教程和《机器学习的数学原理》的分工是什么？
2. 哪两章是核心？为什么是这两章而不是讲模型的那些？
3. 中断之后回来，正确的做法是什么？
4. "我能说出结论"和"我学会了"的区别是什么？
5. 卡在某个概念上超过 25 分钟该怎么办？

🛑 开始

⚡ 走神救援

这份教程补的是承重墙——推荐算法直接上 DeepFM、Kaggle 教你调 LightGBM、全景导论讲 Transformer，都默认你已经会了"神经网络怎么训""GBDT 怎么工作""反向传播是什么"。补完之后"记住的结论"会变成"知道为什么"：离线好线上崩＝第 5 章的数据泄漏；到处是残差＝梯度是连乘，残差是那条不经过乘法的直通路。⭐和《数学原理》的分工：这里讲"怎么做"，那边讲"凭什么"（L2 的真身是高斯先验）——先学这里，有疑问再去那边。前置几乎为零：numpy＋sklearn，第 7 章起加 torch，除第 17 章项目三外全程不用 GPU。⭐⭐两个核心章别跳：第 5 章评估与过拟合、第 11 章训练调试手册——其他章教你做加法，这两章教你别做错，而"没做错"比"多会一个模型"值钱得多。五种读法：补深度学习走 01→05→07-11→14；只做表格数据走 01-06→16→17；⭐急着用只要一天：05→11→附录B；面试三天（02→04b→05→08→10→11→14→附录C）；完整三到四周。⭐唯一带字母后缀的章是 04b XGBoost 的推导（52 分钟，和第 4 章一样长）——第 4 章停在「新树拟合负梯度」，而负梯度只给方向不给步长，04b 用二阶泰勒把它写成有闭式解的目标函数；🎁只想调参可以先跳过，随时回来补。从哪开始：正常从第 1 章起（十分钟出结果）；⭐只有一个下午就直接读第 5 章，跑那个纯噪声数据也能跑出 76.5% 准确率的实验。四条规则：①公式看不懂就看💡人话翻译 ②⭐代码必须跑——说得出结论却说不出"我跑出来是多少"就是没学（比如那个 100% 对 91.8%）③别追求一次全懂，⚠️卡在第 8 章两小时最后放弃整套是最典型的死法 ④检查点先自己答。ADHD 四建议：一次只开一章、用🛑断点停、回来先读⚡走神救援、永远别从头读、⚠️卡住超 25 分钟就跳过（卡死是最大的时间黑洞）。

👉 01-10分钟训练你的第一个模型.md