01章节
机器学习在做什么
机器学习本质上是在给定数据和目标的前提下，学习一个可以泛化到新样本的函数。关键点不只是拟合，而是能不能在未见数据上保持效果。
所以训练得好看不等于能上线，泛化能力才是价值核心。
AI 编程文档
这里整理 AI 编程、工具使用、自动化和开发流程里的高频实战说明，按主题持续沉淀。
左侧选择目录。
中间查看正文。
右侧使用本页导航。
正文
机器学习
从数据、特征、目标函数、评估方式和泛化能力理解机器学习，不把它简化成“丢数据进去等结果”。
02章节
数据往往先决定上限
很多项目不是败在模型选错，而是败在数据采样、标注质量、分布偏差和特征设计上。
当数据本身不稳定时，换再复杂的模型也只是放大噪声。
03章节
实验阶段怎么做
实验阶段主要目标是形成可靠比较，而不是盲目刷高一个数字。你需要固定数据切分、统一指标和可复现的实验记录。
没有实验纪律时，模型迭代会变成凭感觉试错，最后很难知道到底是哪一步带来了提升。
04章节
从实验到上线
上线阶段除了模型效果，还要处理特征一致性、监控、漂移检测、重训策略和版本管理。
一套只能在 notebook 里跑的模型，不算真正完成工程化。
05章节
实操建议
先建立一个简单基线，再逐步增加特征、调参和更复杂模型，而不是一开始就追求最高复杂度方案。
只要基线明确，后面的优化、对比和是否继续投入，都会更有依据。
06章节
第一个例子怎么做
最适合的新手例子通常是一个结构化数据分类或回归任务，例如用户流失预测、分数预测或简单标签分类。
这个例子的目标不是追求最高分，而是把“数据清洗 -> 特征准备 -> 训练 -> 验证 -> 对比”完整走一遍。
07章节
推荐学习顺序
建议顺序是：先理解数据切分和评价指标，再做基线模型，然后学特征工程，最后再接触复杂模型和上线监控。
如果一开始就跳到复杂模型，往往会错过机器学习里最核心的判断能力。
08章节
和其他主题怎么组合
机器学习和 scikit-learn、PyTorch、TensorFlow 是强关联主题。前者讲原理和判断，后者分别对应不同的工程工具路径。
你可以先学机器学习的实验逻辑，再根据任务类型决定走传统方法、研究原型还是完整训练生态。