宏观梳理（你要能够“说清楚”的地图）

• 机器学习（ML）：监督/无监督、偏差-方差、泛化/正则化、特征工程与评估（AUC/F1/回归误差）。

• 深度学习（DL）：网络族谱（MLP/CNN/RNN/Transformer）、优化（SGD/Adam/学习率/初始化）、正则化（dropout/BN/数据增强）、训练稳定性。

• 强化学习（RL）（只到框架即可）：MDP、价值函数/策略、探索-利用、函数逼近的直觉与局限。

• NLP/LLM：分词/子词、预训练→微调（FT/LoRA/指令对齐）、提示工程与检索增强（RAG）、评估与安全性/偏见。

• 横切能力：数据与评估优先、可复现与工程化、误差分析、基于证据做取舍（trade-off）。

具体目标（年底前“广度+动手”的可交付）

1. 一页纸框架卡 x4：ML/DL/RL/NLP 各 1 张（核心概念、典型方法、适用/局限、关键指标）。

2. 可复现实验仓库 x1：含环境文件、脚本、一键运行（经典 ML 小任务 + 一个 NLP/LLM 小任务）。

3. 演示型 Notebook/Demo x2：
• 经典 ML（如二分类/回归，含误差分析）；
• NLP/LLM（如文本分类/小型问答/Prompt 案例）。

4. 输出物 x1：5–10 页讲解稿或长文，总结“我对 AI 四板块的整体理解 + 两个小项目的经验”。

验收口径：你能在 10 分钟内清晰讲解四板块框架，并现场跑通 1 个 Demo，同时解释指标与误差来源。

可持续方针与理念（替代里程碑的长期“操作系统”）

• 两门课并行推进，但每天只专注一个主题块（90–120 分钟），不来回切换，第二天再换轨。

• 原则：先跑通后优雅——先得到可运行结果，再重构与优化。

• 3 次编码练习（≥45min/次，跟课或改造示例）。

• 2 次阅读/笔记（≥30min/次，课件或论文摘要/博客）。

• 1 次输出（卡片/小结/复盘/一段讲解稿）。

循环是习惯，不是 KPI。某周忙就减配，但保持节律不断档。

1. 跑通一个最小可行例（Minimal Working Example）。

2. 用自己的话讲 5 分钟（不看稿），录音或写成 200 字“我懂了什么”。

3. 根据报错/效果差异做一次改造（换优化器/数据增强/Prompt 变体），附对比图+结论。

• 搜索 ≤ 20 分钟无果→先用已有思路做出 baseline。

• 单问题不超过 3 个来源；超过即记录 TODO，回头再深挖。

• 所有“为什么”优先用实验验证而非长时间求完美答案。

• 代码可一键跑通（seed 固定、依赖可复现、README 完整）。

• 图表 + 指标 + 一段结论三件套齐全。

• 至少一次误差分析（错在哪/下一步怎么改）。

• 若时间不够：保结论与复现性，舍美观与扩展性。

• 80%：严格跟课实现（稳态增益）。

• 20%：小型自由实验（比如尝试 LoRA、换数据、加一个评估维度），但时间盒管理。

• 产出失败也无妨，只要有可复盘的证据。

• 将常用代码沉淀到 utils/（训练循环、日志、指标、数据变换、Prompt 模板）。

• 每周整理一条“可复用组件”，后续项目直接拿来接线。

• Python + PyTorch + scikit-learn + HF Transformers（够用即可）。

• Jupyter + Git，可选加一个轻量追踪（如 W&B/CSV 日志）。

• 遇到新框架先问：**能否在现有栈内实现 80% 目标？**能，就不引入新依赖。

• 术语与注释优先英文，方便后续论文/面试迁移。

• 每周把 1 张卡片或 1 个 notebook 同步到 GitHub/Notion，形成外显资产。

• 连续两周无法完成“3–2–1”，立刻缩小范围/降低难度（减半练习时长或改用更小数据）。

• 每月一次 10 分钟自检：框架是否更清晰？demo 是否更稳？是否有新“积木”产出？