学习路线
python 编程语言
numpy 数组运算
matplotlib 数据可视化
sklean 机器学习框架
tensorflow pytorch 深度学习框架 优先pytorch
阶段 0：Python 基础 (必备前提)
如果你还不熟悉 Python，这是绝对的第一步。掌握变量、数据类型、列表、字典、循环、条件判断、函数、类（基础）、模块导入等。不需要成为大师，但要能流畅地写基础代码。
阶段 1：NumPy 核心 (数据基石)
目标： 理解 ndarray，掌握数组创建、索引切片、形状操作、基本运算、广播机制、常用函数（np.sum, np.mean, np.reshape 等）。
为什么： 所有后续库都以此为基础。数据在机器学习中几乎总是以数组形式存在和操作。
资源： NumPy 官方文档教程、Cheatsheet、动手练习加载和处理简单数据集（如 CSV）。
阶段 2：Matplotlib 基础 (可视化)
目标： 掌握 pyplot 基础 API：创建 Figure 和 Axes，绘制折线图、散点图、柱状图、直方图，添加标题、标签、图例。理解面向对象和 pyplot 接口两种风格。
为什么： 理解数据和模型结果的关键。可视化能让你"看见"模式和问题。
资源： Matplotlib 官方教程（特别是 Pyplot tutorial 和常见绘图类型示例）、Gallery 模仿练习。
阶段 3：Scikit-learn 入门 (机器学习核心概念与实践)
目标： 这是最重要的一步！
理解机器学习基本概念：监督学习 vs 无监督学习、分类 vs 回归、过拟合 vs 欠拟合、训练集/验证集/测试集划分、交叉验证、评估指标（准确率、精确率、召回率、F1、均方误差等）。
掌握 sklearn 核心 API：fit, predict, transform, score。
实践完整流程：加载数据 -> 数据预处理（用 sklearn.preprocessing, 如标准化）-> 划分数据集 -> 选择模型（如 LinearRegression, LogisticRegression, KNeighborsClassifier, RandomForestClassifier） -> 训练 (fit) -> 预测 (predict) -> 评估 (score, 混淆矩阵等) -> 尝试调参。
理解常用算法（如上面列出的几个）的基本思想和适用场景（不必深究复杂数学）。
为什么： Scikit-learn 提供了学习机器学习核心概念（数据流、模型评估、泛化）的最佳实践环境。它避开了深度学习的复杂性，让你快速上手理解"什么是机器学习"和"基本流程是什么"。这是构建直觉的关键阶段。
资源： sklearn 官方文档（User Guide 和 Tutorials 非常好！），《Introduction to Machine Learning with Python》书籍，在线课程（如 Andrew Ng 的 Coursera ML 课 + Python 实现，吴恩达的机器学习课程提供了理论基础，用 sklearn 实现作业）。
阶段 4：深入 Scikit-learn / 数据预处理与特征工程
目标： 更深入地学习数据清洗、缺失值处理、特征缩放、编码分类变量、特征选择、特征构建（特征工程的核心）。探索更多 sklearn 中的算法和工具（如管道 Pipeline, 网格搜索 GridSearchCV）。
为什么： 在实际项目中，数据处理和特征工程往往比模型选择更重要。熟练掌握这些能极大提升模型效果。
阶段 5：PyTorch OR TensorFlow (深度学习)
目标：理解深度学习核心概念：神经网络结构（层、激活函数）、前向传播、反向传播、损失函数、优化器、梯度下降、批次训练、epoch。
选择一个框架深入学习：
PyTorch (推荐首选 - 对研究/初学者更友好): 掌握 torch.Tensor, 自动微分 (autograd), nn.Module, 常用层 (nn.Linear, nn.Conv2d, nn.ReLU), 优化器 (torch.optim), 数据集加载 (Dataset, DataLoader)。
TensorFlow (推荐 Keras API): 掌握 tf.keras.Sequential, tf.keras.layers, tf.keras.Model (Functional API), 编译 (compile) 和训练 (fit) 模型。Keras API 设计非常简洁易学。
实践经典模型：MNIST 手写数字识别（MLP, CNN）。
为什么： 当你需要解决图像、文本、语音等复杂问题，或者传统方法效果不佳时，深度学习是强大的工具。务必在掌握阶段 1-4 后再进入此阶段！ 直接跳到这里会让你对底层原理和机器学习基础概念缺失，遇到问题难以调试和理解。