我还没训练过模型
先得到一次可观察的结果
从一小段训练开始，看看为什么训练成绩和新数据成绩不同。
第一站：01 第一个模型 →我想补懂公式
从线性预测到树的分裂
先理解数值、概率与损失，再进入已经整理好的 04 / 04b 图解。
第一站：03 线性模型 →我的分数可能不可信
先检查评估和数据泄漏
学会分开训练、验证与测试。模型选择要建立在可靠的分数上。
第一站：05 评估与过拟合 →我想理解神经网络
先看结构，再看梯度
07 认识网络组成；08 用短链解释反向传播，再接优化与训练。
第一站：07 神经网络 →我需要写训练流程
直接去实战手册
按张量、损失配对、数据加载和完整模板查找。出问题再去 11 调试。
第一站：15 PyTorch 实战 →我只是忘了一个词
查到就回去，不必通读
术语按分类保留，可搜中文、英文与函数名，也能继续跳到解释章节。
打开附录 A 速查 →0%
你的进度（在每章末尾点「打卡」，保存在本浏览器里）
教程定位、完整读法与跨教程关系（按需展开）
机器学习与深度学习基础
承重墙 —— 其他几套教程都默认你会的那一层。
推荐算法直接上 DeepFM、Kaggle 直接教 LightGBM 调参、全景导论假设你懂反向传播 —— 中间这一层就是本教程要补的。补完回头看那三套，很多「记住的结论」会变成「知道为什么」。
⚡ 10 分钟训第一个模型 ⚖️ 直接看最重要的一章🧱 它填的是哪个洞
站里的其他几套教程，其实都从「中间层」开始讲 —— 每一套都假设你已经会了某样东西：
推荐算法
第 8 章直接上 DeepFM
「神经网络怎么训的」
Kaggle
教你 LightGBM 怎么调参
「GBDT 怎么工作的」
全景导论
第 2 章讲 Transformer
「反向传播是什么」
⬇
这一层就是本教程要补的
- 机器学习基础
- 深度学习基础
- 树模型
- 线性模型
- 过拟合与评估
- 反向传播
- 优化器
- 正则化
- CNN
- RNN
- 通往 Transformer
- PyTorch 实战
⭐ 两章别跳
第 5 章 · 评估与过拟合
机器学习里唯一「学会了终身受用」的一章。模型算法会过时， 「怎么知道模型到底行不行」永远不会过时。
机器学习里唯一「学会了终身受用」的一章。模型算法会过时， 「怎么知道模型到底行不行」永远不会过时。
第 11 章 · 训练调试手册
教科书教你模型怎么工作，没人教你模型不工作时该怎么办。 最难自学、最值钱的实战能力。
教科书教你模型怎么工作，没人教你模型不工作时该怎么办。 最难自学、最值钱的实战能力。
⏱️ 四种读法
| 你的情况 | 路线 | 时间 |
|---|---|---|
| 只想补深度学习（已会经典 ML） | 01 → 05 → 07-11 → 14 | 1 周 |
| 只做表格数据 / 树模型 | 01-06 → 16 → 17 | 1 周 |
| 完整打牢 | 全部顺读 | 3-4 周 |
| 急着用，只想会调试 | 05 → 11 → 附录B | 1 天 |
💡 这份教程的代码必须跑。其他几套可以只读，这套不行 —— 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， 你得亲眼看到第 1 章那个 100% vs 91.8%。全部代码都实测过，不需要 GPU。
完整章节目录
下方保留全部章节。你可以按阶段读，也可以随时回到上面的任务入口。