Start from evidence
先诊断当前能力，不从课程目录开始
把最近一次真实任务拿出来，观察卡点出现在哪个层级，再安排补课和练习。
代码基础
能否阅读函数、处理路径、使用环境和定位报错；如果基础不稳，先用小数据完成输入输出闭环。
数据理解
能否说明每行代表什么、目标如何产生、字段之间是否泄漏，以及训练测试分布是否一致。
建模与验证
能否选择合理基线、划分数据、复现指标，并区分模型提升与验证噪声。
表达与复盘
能否用图表、日志和文字解释做了什么、为什么做、结果怎样、下一步是什么。
Six stages
六阶段竞赛学习路线
阶段可以交叉，但每一步都应产出一个可运行、可检查的作品。
- 01
Python 与环境
文件、函数、包管理、异常和基础调试；产出一个可以重复运行的数据读取脚本。
- 02
Pandas 与探索
类型、缺失、聚合、连接与可视化；产出结构化 EDA 和数据质量清单。
- 03
机器学习基线
训练、预测、常用模型和预处理；产出可复现 Baseline。
- 04
验证与指标
划分策略、交叉验证、泄漏和指标实现；产出本地验证说明。
- 05
特征与迭代
围绕假设做特征、调参、集成和误差分析；产出实验日志。
- 06
Notebook 与复盘
组织叙事、图表、引用和结论；产出可供他人理解和复现的作品。
Practice together
学习在代码、讨论与反馈之间发生
公开资料适合发现方法，自己的验证和实验记录负责判断方法是否适用于当前任务。
Track selection
不同任务方向，需要补不同的技术栈
不要同时铺开所有方向。先围绕目标比赛掌握一条主线，再迁移通用能力。
表格数据
重点练习缺失处理、类别编码、时间与聚合特征、交叉验证和树模型；关注主键与泄漏。
计算机视觉
理解图像读取、增强、预训练、分层划分、检测或分割指标，以及显存和推理限制。
自然语言处理
掌握文本清洗、分词或预训练模型、长文本截断、类别不平衡和语义相似度。
时间序列
围绕时间切分、滞后特征、滚动统计、节假日和未来信息泄漏建立验证。
Experiment discipline
一次有效实验至少记录这些信息
没有记录的提升很难复现，也无法判断是稳定信号还是偶然波动。
- ✓实验目的
写清本次只验证哪个假设，以及预期影响什么误差。
- ✓数据与划分
记录数据版本、筛选条件、折数、随机种子和分层或分组方式。
- ✓改动内容
明确特征、参数、模型或后处理的变化，避免多个主要变量同时改变。
- ✓本地与线上结果
记录各折分数、均值方差、线上分数和运行时间。
- ✓结论与下一步
写出保留、放弃或继续验证的理由，不只写分数涨跌。
Learning FAQ
学习路线常见问题
路线应围绕能力证据动态调整，而不是固定课表。
零基础多久能参加比赛？
只看高分 Notebook 能学会吗？
调参还是做特征更重要？
如何避免过拟合排行榜？
辅导会直接给出完整答案吗？
Build your route
带着真实卡点规划学习
提供目标比赛、现有代码、验证方式和实验记录，比泛泛描述“想学机器学习”更容易得到有效建议。