PATH 02进阶(需要 Python 基础)6–10 周(工作日每天 2 小时 + 周末整块实验)
机器学习与深度学习
从会调到会解释:把训练变成可复现的工程
这条路线按「先建立诊断能力,再上模型复杂度」来排。第一阶段只补够用的数学与数据功夫,因为真实项目里八成问题其实是数据问题;第二、三阶段先把经典机器学习学扎实,交叉验证、偏差-方差、指标选择这套语言是后面调深度模型的底层能力;第四阶段进入 PyTorch 训练工程,重点不是背网络结构,而是学会看 loss、梯度、学习率曲线排查不收敛;第五阶段必须在 CV 与 NLP 中二选一深入,避免样样浅尝;第六阶段用完整项目把 notebook 变成可复现仓库;最后部署成 API,补上工程闭环。工作日晚间看课写代码,周末做整块实验与复盘。学完你应能独立完成一个从数据到上线的模型项目,并在面试中讲清每个技术决策的理由。
1
数学与数据地基:够用就好
第 1 周目标:
- 能用向量与矩阵的语言解释线性回归和神经网络的一次前向计算
- 理解期望、方差、条件概率与最大似然在模型里扮演的角色
- 能独立完成一份真实数据的 EDA、清洗与特征工程
- 能识别数据泄漏与分布偏移这两个隐形杀手
重点内容:
- 线性代数直觉:向量、矩阵乘法、范数
- 概率统计:分布、期望、条件概率
- 导数与链式法则
- 缺失值、异常值与类别编码
- 训练/验证/测试划分与数据泄漏
动手:选一个 Kaggle 表格数据集(如房价或泰坦尼克),完成 EDA → 清洗 → 特征工程 → 基线模型,写一页数据报告。
过关:报告能说清每一列的含义与异常;基线模型跑通并记录分数;能指出至少 2 个潜在的数据泄漏点。
2
经典机器学习:建立诊断语言
第 2–3 周目标:
- 能独立完成线性/逻辑回归、决策树、随机森林、梯度提升的建模与对比
- 会用交叉验证与网格搜索做可靠的模型选择
- 能用偏差-方差与学习曲线诊断模型问题
- 能针对业务目标选对指标(AUC / F1 / RMSE / 业务口径)
重点内容:
- 线性模型与正则化
- 树模型与集成学习(XGBoost / LightGBM)
- 交叉验证与超参数搜索
- 特征重要性与可解释性
- 分类阈值与指标权衡
动手:在 Kaggle 竞赛(Titanic 或 House Prices)上完整走一遍:基线 → 特征 → 调参 → 提交,记录每次分数变化与原因。
过关:提交分数超过公开 baseline;实验记录表可复现;能讲清每次提升来自哪个具体改动。
3
深度学习训练工程
第 4–5 周目标:
- 能用 PyTorch 从零写 Dataset、DataLoader、训练与验证循环
- 理解反向传播、优化器、学习率调度与正则化的作用
- 会看 loss、梯度、学习率曲线定位不收敛的原因
- 能用 TensorBoard 或 W&B 管理多组实验
重点内容:
- PyTorch 张量与自动求导
- 训练循环与验证流程
- 优化器、学习率与调度
- BatchNorm / Dropout / 数据增强
- 混合精度与显存管理
- 实验追踪与随机种子
动手:用 CIFAR-10 搭一条完整训练流水线,做 3 组对照实验(学习率、数据增强、换优化器),保持其他条件一致。
过关:ResNet18 迁移学习测试准确率达到 90% 以上;3 组曲线放在同一张图里可解释;训练脚本可一键复现。
4
CV 或 NLP:二选一深入
第 5–7 周目标:
- 选定方向后掌握该方向 2–3 个经典模型与迁移学习套路
- 能处理该方向真实数据的预处理(增强、分词、截断、标注)
- 能小规模复现一篇经典论文的核心结论
- 能说清该方向工程落地时最常见的 3 个坑
重点内容:
- CV 分支:CNN 演进、检测与分割、数据增强
- CV 分支:迁移学习与 YOLO 系列
- NLP 分支:分词与 embedding、RNN 到 Transformer
- NLP 分支:BERT/GPT 微调与序列标注
- 两个方向共用的评估与错误分析
Stanford CS231n 课程主页 ↗Stanford CS224N ↗Hugging Face NLP 课程 ↗Ultralytics YOLO 文档 ↗Attention Is All You Need ↗
动手:二选一:CV 方向用自己的小数据集微调 YOLO 做检测;NLP 方向用 BERT 微调中文意图或情感分类。
过关:在自建测试集上 F1 达到 0.8 或比规则基线高 15% 以上;能逐条分析 10 个错误样本的原因。
5
端到端项目:可复现才算完成
第 7–9 周目标:
- 能独立定义一个有价值、范围可控的项目并拆解里程碑
- 会用 Git 与配置管理让实验可复现
- 会做消融实验与错误分析,而不只报一个最好分数
- 能写出结构化技术报告并做 5 分钟讲解
重点内容:
- 选题与范围控制
- 配置管理与随机种子
- 消融实验设计
- 错误分析与数据迭代
- 技术写作与可视化
动手:完成一个完整仓库:README、环境文件、训练脚本、评估脚本、实验记录与 2 页技术报告。
过关:换一台机器按 README 能复现指标(误差 ±2% 以内);报告包含消融与失败分析;代码结构清晰可读。
6
部署:把模型变成服务
第 9–10 周目标:
- 能用 FastAPI 把模型封装成 REST 接口并写基本测试
- 会用 Docker 打包镜像,做到一条命令启动
- 会用 ONNX Runtime 或量化优化 CPU 推理
- 能给出延迟、吞吐与成本的基线数据
重点内容:
- FastAPI 服务化与输入校验
- Docker 镜像与依赖管理
- ONNX 导出与量化
- 批处理与并发
- 日志、监控与回归测试
动手:把上一阶段的模型部署成 Docker 化服务,附压测脚本与报告(QPS、P99、冷启动时间)。
过关:docker run 一条命令启动;CPU 小模型单请求 P99 小于 200ms;压测报告可复现并给出瓶颈分析。
常见坑
- 只跑教程不换数据,模型一遇真实数据就崩
- 没有独立验证集,用测试集反复调参,分数虚高
- 盲目追 SOTA,忽略业务指标与推理成本
- 训练脚本不可复现:随机种子、依赖版本、数据版本都没管
- 跳过部署,作品停在 notebook,无法展示工程能力
RELATED
全部文章 →相关文章
过拟合与泛化:为什么模型「考试满分、实战拉胯」
为什么模型训练集几乎全对、换数据就崩:用偏差与方差解释泛化误差,给出学习曲线与验证曲线的诊断表,梳理数据、正则、早停、集成等对策,以及双下降等常见误区。
2026-11-21阅读 →
机器学习项目全流程:从问题定义到上线,每一步做什么
从问题定义、数据与切分、基线、误差分析,到上线监控,拆解机器学习项目每一步的关键决策与交付物,讲清数据泄漏、指标错位与训练推理不一致,附阶段对照表和练习清单。
2026-11-21阅读 →
分类与回归指标怎么选:准确率、召回、F1、AUC、MAE/RMSE
分类与回归指标的选择指南:从混淆矩阵推出准确率、精确率、召回率与 F1,讲清 ROC/AUC 与 PR 曲线的适用边界,再对比 MAE、RMSE、R²,附选型表和常见坑。
2026-11-21阅读 →
深度学习训练排错手册:loss 不降、震荡、过拟合怎么查
深度学习训练排错手册:loss 不降、震荡、NaN、过拟合四类症状的排查顺序,从过拟合单个 batch、检查数据与学习率,到梯度裁剪、混合精度与正则化,附排查表和练习。
2026-11-21阅读 →