外观
学习路径：三条路线
这个站点有 50 多页内容。如果你从第一页顺着读下去，大概率会在核心知识章的第四篇开始走神——不是内容不好，而是通读不是学习机器学习这门学科的正确姿势。你需要的不是图书馆，是路线图。
本站内容其实只有四种性质：建立概念的（导读）、解释机制的（核心知识）、提供证据的（案例与论文）、改变你行为的（实践与求职）。不同处境的人，应该以完全不同的顺序和深度消费它们。这一页给出三条已经排好的路线，你对号入座即可。
text
你的处境是什么？
│
┌───────────────┼───────────────────┐
▼ ▼ ▼
1-3 个月内面试 时间充裕，想转行 已经在做 ML
│ │ │
┌────────────┐ ┌───────────────┐ ┌─────────────┐
│ ① 求职冲刺线 │ │ ② 系统精进线 │ │ ③ 案头速查线 │
│ 约 2 周 │ │ 约 8 周 │ │ 不通读，随用 │
├────────────┤ ├───────────────┤ ├─────────────┤
│ career 主线 │ │ 导读→知识→案例 │ │ 遇到问题 │
│ +高频概念 │ │ →实践→论文 │ │ →查索引表 │
│ +动手 demo │ │ 每周有检验标准 │ │ →回到工作 │
├────────────┤ ├───────────────┤ ├─────────────┤
│产出：改好的 │ │产出：能讲清 │ │产出：当下的 │
│简历+10 道题 │ │整套体系+作品集 │ │问题被解决 │
└────────────┘ └───────────────┘ └─────────────┘三条路线不是互斥的
很多人的真实轨迹是：先按速查线用了本站几个月，决定转型后走一遍系统线，临面试前再跑一遍冲刺线的后半段。路线是导航，不是铁轨。
路线一：求职冲刺线（约 2 周）
适用人群：1–3 个月内有机器学习/算法岗面试，已具备基础编程能力（Python），没有整块时间，只有晚上和周末。
核心思路：面试考察的本质是两件事——你能否把机器学习体系讲清楚（从概率到模型到工程），以及你的简历和表达能否通过筛选。所以这条线以终为始，从 JD 和面试题倒推学习内容，不求全面，只求高频考点全部覆盖、每个考点都能说出"为什么"。
主线：career 模块四篇
| 顺序 | 页面 | 你要拿走的东西 |
|---|---|---|
| 1 | JD 清单：国内外大厂在招岗位 | 目标岗位到底要求什么，把其中反复出现的技能词抄下来 |
| 2 | 能力地图 | 把 JD 里的技能词映射到本站页面，生成你个人的补课清单 |
| 3 | 简历分析 | 按里面的标准重写你的项目经历，突出模型与业务决策 |
| 4 | 面试题解析 | 最后用它自测，而非第一天就看 |
配菜：最高频被考的概念 + 一个动手 demo
从 JD 和面试题的分布看，以下四篇覆盖了绝大多数"算法侧"考点，按这个顺序读：
- 模型评估与验证——几乎每场 ML 面试必考，过拟合、偏差方差、AUC、交叉验证要能脱口而出；
- 监督学习——线性/逻辑回归、SVM、决策树的基本原理与推导；
- 过拟合与正则化——L1/L2、Dropout、早停的区别与使用场景；
- 优化与梯度下降——梯度消失/爆炸、学习率、SGD/Adam 的取舍。
如果只能再加一篇，加深度学习基础——大模型时代几乎所有岗位都会问。
光看不练的简历没有说服力。用周末跑通从零构建一个 ML 项目：仓库里的 v1 最小线性回归只有几十行，v2 加特征工程与评估、v3 换梯度提升树，逐层跑一遍、改一改，你就拥有了一个可以在面试时讲五分钟不带停的亲手项目。
两周节奏
第一周（理解 + 简历）：
- 周一到周三：JD 清单 → 能力地图，产出你的补课清单；
- 周四到周五：按上面顺序读四篇概念文，每篇读完合上书，用手机录音给自己讲一遍核心机制，讲不顺的地方回读；
- 周末：跑通 build-your-own 的 v1→v3；按简历分析页的标准改完简历初稿。
第二周（表达 + 自测）：
- 周一到周三：面试题解析，每道题先自己答再对照，把答不上来的标红回炉对应概念页；
- 周四到周五：找朋友或用语音自问自答做模拟，重点练"为什么"类问题（为什么 L1 产生稀疏解？为什么树模型不用归一化？）；
- 周末：定稿简历，把 demo 项目整理成能展示的仓库。
两周后的验收标准
你手里应该有三样东西：一份按算法岗标准重写过的简历、一个跑得通讲得清的 ML 项目仓库、10 道能讲出取舍和推导的面试题答案。少一样，说明对应环节偷工了。
路线二：系统精进线（约 8 周）
适用人群：时间相对充裕（每周能投入 8–10 小时），想在 1–2 个季度内完成转型或打牢底子，看重体系而不是速成。
核心思路：机器学习知识是有依赖图的——不理解评估就看不懂正则化，不理解特征工程就看不出案例的门道，没拆过案例就写不出自己的设计原则。这条线按依赖顺序排布，每周附检验标准，达不到就不要进下一周。
| 周 | 内容 | 检验标准 |
|---|---|---|
| 第 1 周 | 导读五篇：什么是机器学习 → ML vs AI → 历史 → 解剖 → 学习路径 | 能向一个没学过的人讲清"机器学习和传统编程的区别"，并画出 ML 项目四环节（数据→模型→算法→评估） |
| 第 2 周 | 数学地基：数学基础速查 的线性代数与概率部分 + 监督学习 | 能手推线性回归的最小二乘解；讲清最大似然估计的含义 |
| 第 3 周 | 评估与正则化：模型评估与验证 → 过拟合与正则化 → 优化与梯度下降 | 能解释偏差-方差权衡并说出至少三种应对过拟合的手段；说清梯度下降、SGD、Adam 的差别 |
| 第 4 周 | 特征与数据：特征工程 → 数据与数据工程；案例选读树模型与集成学习、线性模型 | 拿到任意一张表格数据，能列出完整的特征工程清单（缺失值、编码、缩放、交互） |
| 第 5 周 | 无监督：无监督学习 + 案例聚类与降维；动手：从零构建一个 ML 项目 的 v1→v3 | 能说清 K-Means 与 PCA 的原理与局限；demo 跑通并能解释每步在做什么 |
| 第 6 周 | 深度学习：深度学习基础 → 案例 CNN、Transformer | 能徒手画出多层感知机前向/反向传播，说清卷积与注意力的核心思想 |
| 第 7 周 | 实践收尾：调参与超参数优化 → 设计原则 → 常见陷阱 → 评估实践 | 你的项目能在别人的机器上跑起来，并且你能说出它在什么输入下会失败 |
| 第 8 周 | 论文 + 求职材料收尾：经典论文精读 至少精读 3 篇（如 AlexNet、Attention、ResNet），前沿进展 选读；然后走 career 模块 | 能讲清至少两篇经典论文的动机与贡献；简历和 10 道题答案达到路线一的验收标准 |
关于第 5 周的硬性要求
八周里唯一不可压缩的是动手周。读完概念文时你会产生一种"我已经懂了"的错觉——这种错觉会在你第一次面对真实脏数据时碎掉。没有亲手被 NaN、类别不平衡、过拟合教育过，转型是不算完成的。
时间实在紧张的话，第 6 周的深度学习和第 8 周的论文可以各砍一半，但导读、评估、动手这三段不要砍——它们是这条线的承重墙。
路线三：案头速查线（在职建造者）
适用人群：已经在做机器学习相关开发，问题是以"今天卡住了"为单位出现的，没有通读的需求和耐心。
这条线的用法是：遇到问题时从下表查入口页，读完解决问题就走，不要顺藤摸瓜。 摸瓜留给周末。
| 你遇到的问题 | 去看 |
|---|---|
| 模型在训练集很好、测试集一塌糊涂 | 过拟合与正则化、模型评估与验证 |
| 不知道用什么指标评估模型（分类/回归/排序） | 模型评估与验证 |
| 数据有大量缺失值和类别变量，不会处理 | 特征工程、数据与数据工程 |
| 训练慢、不收敛、loss 震荡 | 优化与梯度下降、调参与超参数优化 |
| 类别不平衡，正样本极少 | 模型评估与验证（类别不平衡小节） |
| 该用 XGBoost 还是神经网络 | 树模型与集成学习、框架与工具怎么选 |
| 想快速跑通一个端到端项目 | 从零构建一个 ML 项目、渐进式教程 |
| 模型上线后效果变差 | MLOps 与模型部署（监控与漂移检测） |
| 老板/客户问"模型为什么这么判断" | 可解释性与公平性 |
| 深度学习模型该从哪下手 | 深度学习基础、CNN、Transformer |
| 想了解大模型怎么训练和微调 | 大语言模型（LLM） |
| 面试或被面试，需要考察框架 | 面试题解析 |
| 术语卡壳 | 术语表 |
| 数学公式看不懂 | 数学基础速查 |
| 找数据集、找工具 | 数据集与工具档案、精选资源清单 |
把这一页加书签
速查线的价值在于复用率。建议把本页（而不是任何一篇概念文）设为书签——它是全站的交换机。
两点说明
路径不是死规定。 三条线的周数和顺序都是按典型背景估的：数学系出身的可以跳过数学地基，工程背景强的可以快进数据工程，产品经理转岗则应该在导读和案例上花双倍时间。判断标准永远是你能否通过每周的检验，而不是日历翻到了第几页。
注意内容的时效。 机器学习是半衰期很短的领域——榜单、模型分数、工具选型都会过期。career 模块和案例章的部分页面在 frontmatter 里标注了 dataAsOf（数据截止月份），页面顶部也会显示；引用其中的具体岗位、分数、产品功能之前，先看一眼那个日期，超过一个季度的数据请当作"趋势参考"而非"当前事实"，并以官方来源复核。概念性的内容（什么是监督学习、偏差方差权衡）衰减慢得多，可以放心长期依赖。