非科班转AI：从零搭建机器学习工程化学习闭环-平芜编程栈

在实际技术学习路径中，非计算机专业背景的学习者转向人工智能领域，最大的障碍往往不是数学理论，而是如何将零散的知识点串联成一个可执行、可验证、能产出实际成果的工程化学习闭环。很多人卡在环境配置、工具链断裂、算法理论与代码脱节、以及学完后无法形成项目经验这几个关键环节。本文旨在为这类学习者构建一条从零到一的实践路径，核心是环境搭建、数据分析工具链、经典算法实现与理解，最终目标是让你能独立完成一个包含数据处理、模型训练、评估和结果可视化的完整机器学习项目，并以此为基础构建你的技术简历。

这条路径的设计原则是“最小可行产品”思维：先跑通一个端到端的流程，建立信心和全局观，再深入细节。我们将避开一开始就陷入复杂的数学推导，而是通过动手实践来反向理解算法原理。整个过程会像搭建乐高：先准备好所有零件（环境与工具），学会使用基础模块（数据分析三件套），然后按照图纸（算法流程）组装出成品（可运行的模型），最后你就能自己设计图纸了（应用于简历项目）。

1. 构建可复现的机器学习开发环境

环境是实践的第一步，一个稳定、隔离、可复现的环境能避免大量“玄学”问题。对于初学者，强烈建议使用 Anaconda 进行 Python 环境和包管理，它能很好地处理不同项目间依赖冲突的问题。

1.1 基础 Python 与 Anaconda 安装

首先，你需要一个 Python 解释器。不建议直接安装系统 Python，而是通过 Anaconda 发行版来获取一个集成了科学计算库的独立环境。

下载与安装：访问 Anaconda 官方网站，根据你的操作系统（Windows/macOS/Linux）下载对应的图形化安装包。安装时，务必勾选“Add Anaconda to my PATH environment variable”（添加至系统路径），这能让你在命令行中直接使用conda和python命令。
验证安装：安装完成后，打开终端（Windows 下为 Anaconda Prompt 或系统CMD/PowerShell，macOS/Linux 下为 Terminal），输入以下命令验证：
```
conda --version python --version
```
如果都能正确显示版本号，说明安装成功。

1.2 创建专属的机器学习环境

使用 Conda 为你的机器学习项目创建一个独立的环境，命名为ml_basic，并指定 Python 版本（推荐 3.8 或 3.9，兼容性较好）。

# 创建新环境 conda create -n ml_basic python=3.9 # 激活环境 conda activate ml_basic

激活后，你的命令行提示符前通常会显示(ml_basic)，表示你已进入该环境。后续所有包都安装在这个环境中，不会影响系统或其他项目。

1.3 安装核心数据科学库

在激活的ml_basic环境中，安装机器学习入门必备的“三驾马车”以及一些辅助工具。

# 使用 conda 或 pip 安装，conda 在解决依赖方面有时更优 conda install numpy pandas matplotlib scikit-learn jupyter # 或者使用 pip # pip install numpy pandas matplotlib scikit-learn jupyter

NumPy：提供高性能的多维数组对象和数学函数，是几乎所有其他科学计算库的基础。
Pandas：用于数据清洗、分析和处理的核心库，提供了 DataFrame 这一强大的数据结构。
Matplotlib：最基础的绘图库，用于数据可视化。
Scikit-learn：机器学习算法库，包含了分类、回归、聚类、降维等大量经典算法实现，API 设计一致，非常适合入门。
Jupyter Notebook/Lab：交互式编程环境，能将代码、文档、图表和结果整合在一个文件中，是学习和探索性数据分析的利器。

安装完成后，可以启动 Jupyter Notebook 进行验证：

jupyter notebook

浏览器会自动打开 Jupyter 界面，你可以新建一个 Python 3 笔记本，尝试导入这些库看看是否报错：

import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn import datasets print("All packages imported successfully!")

1.4 环境配置的常见问题与排查

即使按照步骤操作，环境搭建也可能遇到问题。以下是几个典型场景的排查思路：

问题现象	可能原因	检查与解决方式
`conda`命令未找到	Anaconda 未正确加入系统 PATH	Windows：检查安装时是否勾选添加PATH；或手动将`Anaconda3/Scripts`和`Anaconda3`目录加入用户环境变量。macOS/Linux：检查`~/.bashrc`或`~/.zshrc`中是否有 conda init 相关配置。
在 Jupyter 中无法使用`ml_basic`环境的 kernel	Jupyter 未在`ml_basic`环境中安装，或未注册 kernel	在激活的`ml_basic`环境中，运行`pip install ipykernel`然后`python -m ipykernel install --user --name=ml_basic`。
导入库时提示`ModuleNotFoundError`	1. 未在正确的环境中安装。 2. 包名拼写错误。 3. 环境损坏。	1. 确认终端提示符为`(ml_basic)`。 2. 使用`conda list`或`pip list`查看已安装包。 3. 尝试在环境中重新安装：`conda install 包名`。
绘图时中文显示为方框	Matplotlib 默认字体不包含中文。	在代码中配置中文字体（如 SimHei）或使用系统字体。这是一个典型的配置细节问题，提前解决能避免后续困扰。

注意：生产环境与学习环境的差异。学习环境追求快速搭建和易用性，使用 Anaconda 是理想选择。但在生产环境（如 Docker 容器、服务器部署）中，为了镜像体积和依赖的精确控制，通常会使用venv或virtualenv创建虚拟环境，并用requirements.txt文件配合pip来严格锁定依赖版本。

2. 掌握数据分析“三件套”：NumPy, Pandas, Matplotlib

在接触算法之前，必须能熟练地“摆弄”数据。真实世界的数据是混乱的，机器学习项目 80% 的时间可能花在数据准备上。NumPy、Pandas、Matplotlib 就是你的瑞士军刀。

2.1 NumPy：高性能数值计算的基石

NumPy 的核心是ndarray（N-dimensional array，多维数组）。它比 Python 原生列表效率高得多，并提供了丰富的向量化操作。

核心概念与操作：

import numpy as np # 创建数组 arr1 = np.array([1, 2, 3, 4, 5]) # 一维数组 arr2 = np.array([[1, 2, 3], [4, 5, 6]]) # 二维数组 arr_zeros = np.zeros((3, 4)) # 3行4列的全0数组 arr_ones = np.ones((2, 3)) # 2行3列的全1数组 arr_range = np.arange(0, 10, 2) # 类似 range，生成 [0, 2, 4, 6, 8] # 数组属性 print(f"Shape of arr2: {arr2.shape}") # 输出 (2, 3) print(f"Number of dimensions: {arr2.ndim}") # 输出 2 print(f"Data type: {arr2.dtype}") # 输出 int64 (取决于系统) # 向量化运算 - 这是 NumPy 高效的关键，避免使用循环 arr = np.array([1, 2, 3, 4]) print(arr * 2) # 输出 [2 4 6 8]，每个元素乘2 print(arr + 10) # 输出 [11 12 13 14] print(np.sqrt(arr)) # 输出 [1. 1.41421356 1.73205081 2. ] # 索引与切片（与 Python 列表类似，但支持多维） print(arr2[0, 1]) # 输出 2，第0行第1列 print(arr2[:, 1]) # 输出 [2, 5]，所有行的第1列

为什么重要：Scikit-learn 等库的输入数据通常是 NumPy 数组。理解数组的 shape、dtype 和向量化操作，是理解后续算法输入输出的基础。

2.2 Pandas：数据清洗与分析的利器

Pandas 的核心是Series（一维带标签数组）和DataFrame（二维表格型数据结构）。它使得加载、处理、分析结构化数据变得异常简单。

核心操作流程：

import pandas as pd # 1. 数据加载 - 从CSV文件读取 # df = pd.read_csv('your_data.csv') # 这里我们使用内置数据集示例 from sklearn.datasets import load_iris iris = load_iris() df = pd.DataFrame(data=iris.data, columns=iris.feature_names) df['target'] = iris.target # 添加目标列 # 2. 数据预览 print(df.head()) # 查看前5行 print(df.info()) # 查看数据概览（行列数、类型、非空值） print(df.describe()) # 查看数值列的统计摘要（均值、标准差等） # 3. 数据选择 print(df['sepal length (cm)']) # 选择单列，返回 Series print(df[['sepal length (cm)', 'petal length (cm)']]) # 选择多列，返回 DataFrame print(df.iloc[0:5, 0:2]) # 用位置索引选择前5行，前2列 print(df.loc[df['target'] == 0]) # 用条件选择 target 为 0 的所有行 # 4. 处理缺失值（假设我们有缺失值） # df.isnull().sum() # 查看每列缺失值数量 # 填充缺失值，例如用均值填充 # df['some_column'].fillna(df['some_column'].mean(), inplace=True) # 或删除缺失值所在行 # df.dropna(inplace=True) # 5. 数据分组与聚合 grouped = df.groupby('target').mean() # 按 target 分组，计算各特征均值 print(grouped)

常见坑：

SettingWithCopyWarning：当你尝试修改一个可能是切片副本的 DataFrame 时出现。稳妥的做法是使用.loc或.iloc进行明确赋值，或者使用.copy()创建副本后再修改。
误用行索引：Pandas 的索引（index）功能强大但也容易混淆。重置索引可以使用df.reset_index(drop=True, inplace=True)。
数据类型错误：读取数据后，用df.dtypes检查列类型。字符串被识别为object，日期需要转换为datetime，分类数据可转为category以节省内存。

2.3 Matplotlib：让数据开口说话

可视化是理解数据和模型结果的关键。Matplotlib 是基础，其 Pyplot 接口模仿 MATLAB，易于上手。

基本绘图模式：

import matplotlib.pyplot as plt # 设置中文字体（解决中文乱码，Windows系统示例） plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 # 1. 创建画布和子图 fig, axes = plt.subplots(2, 2, figsize=(10, 8)) # 2行2列，共4个子图 # 2. 绘制散点图 - 探索特征间关系 axes[0, 0].scatter(df['sepal length (cm)'], df['sepal width (cm)'], c=df['target'], alpha=0.6) axes[0, 0].set_xlabel('花萼长度 (cm)') axes[0, 0].set_ylabel('花萼宽度 (cm)') axes[0, 0].set_title('花萼尺寸散点图（按类别着色）') # 3. 绘制直方图 - 查看特征分布 axes[0, 1].hist(df['petal length (cm)'], bins=20, edgecolor='black') axes[0, 1].set_xlabel('花瓣长度 (cm)') axes[0, 1].set_ylabel('频数') axes[0, 1].set_title('花瓣长度分布直方图') # 4. 绘制箱线图 - 查看数据分布与异常值 df.boxplot(column=['sepal length (cm)', 'sepal width (cm)'], ax=axes[1, 0]) axes[1, 0].set_title('花萼尺寸箱线图') # 5. 绘制折线图 - 例如模型训练过程中的损失变化（这里用模拟数据） epochs = range(1, 11) train_loss = [0.9, 0.7, 0.5, 0.4, 0.35, 0.3, 0.28, 0.26, 0.25, 0.24] val_loss = [1.0, 0.8, 0.6, 0.55, 0.5, 0.48, 0.47, 0.46, 0.45, 0.45] axes[1, 1].plot(epochs, train_loss, 'b-', label='训练损失') axes[1, 1].plot(epochs, val_loss, 'r--', label='验证损失') axes[1, 1].set_xlabel('训练轮次') axes[1, 1].set_ylabel('损失值') axes[1, 1].set_title('训练过程损失曲线') axes[1, 1].legend() axes[1, 1].grid(True, linestyle='--', alpha=0.5) # 6. 调整布局并显示 plt.tight_layout() plt.show()

最佳实践：

先探索后美化：画图的第一目的是快速理解数据，初期不必过度追求美观，先画出图来。
图表要素齐全：确保每个图都有清晰的标题、坐标轴标签、图例（如果有多条线/多种颜色）。
保存图表：使用plt.savefig('figure_name.png', dpi=300, bbox_inches='tight')将图表保存为文件，便于报告使用。

3. 经典机器学习算法全解：从调用到理解

掌握了工具，接下来是算法的核心。我们以 Scikit-learn 为例，其统一、简洁的 API 设计（fit,predict,transform,score）是理解机器学习工作流的绝佳范本。我们将通过三个经典算法（线性回归、决策树、K-均值聚类）来贯穿从数据准备到模型评估的全过程。

3.1 机器学习项目标准流程

一个完整的监督学习项目通常遵循以下步骤，这是一个必须内化的思维框架：

问题定义与数据收集：明确要预测什么（分类、回归、聚类）。
数据探索与预处理：使用 Pandas/Matplotlib 分析数据，处理缺失值、异常值、编码分类变量、特征缩放等。
数据集划分：将数据分为训练集（用于训练模型）、验证集（用于调参）和测试集（用于最终评估）。Scikit-learn 提供了train_test_split。
选择与训练模型：根据问题类型选择合适的算法，在训练集上调用fit方法。
模型评估与调优：在验证集上评估性能，使用网格搜索（GridSearchCV）等方法调整超参数。
最终评估与部署：用测试集（从未参与训练和调参的数据）对最优模型进行最终评估，确认性能后部署。

3.2 实战案例一：线性回归（预测房价）

我们使用一个经典的波士顿房价数据集（注：由于伦理问题，Scikit-learn 已移除该数据集，我们用fetch_california_housing替代，原理相同）来演示回归问题。

from sklearn.datasets import fetch_california_housing from sklearn.model_selection import train_test_split from sklearn.linear_model import LinearRegression from sklearn.metrics import mean_squared_error, r2_score from sklearn.preprocessing import StandardScaler import numpy as np # 1. 加载数据 housing = fetch_california_housing() X, y = housing.data, housing.target feature_names = housing.feature_names # 2. 数据探索（简单查看） print(f"数据集形状: {X.shape}") # (20640, 8) print(f"特征名: {feature_names}") print(f"目标值（房价中位数）范围: [{y.min():.2f}, {y.max():.2f}]") # 3. 数据预处理：特征缩放（对线性模型很重要） scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 拟合缩放器并转换数据 # 4. 划分数据集 X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42) print(f"训练集大小: {X_train.shape}, 测试集大小: {X_test.shape}") # 5. 训练模型 model = LinearRegression() model.fit(X_train, y_train) # 6. 在训练集和测试集上预测 y_train_pred = model.predict(X_train) y_test_pred = model.predict(X_test) # 7. 评估模型 train_mse = mean_squared_error(y_train, y_train_pred) test_mse = mean_squared_error(y_test, y_test_pred) train_r2 = r2_score(y_train, y_train_pred) test_r2 = r2_score(y_test, y_test_pred) print(f"训练集 MSE: {train_mse:.4f}, R^2: {train_r2:.4f}") print(f"测试集 MSE: {test_mse:.4f}, R^2: {test_r2:.4f}") # 8. 查看模型系数（理解特征重要性） coefficients = pd.DataFrame({ 'feature': feature_names, 'coefficient': model.coef_ }) print(coefficients.sort_values(by='coefficient', ascending=False))

关键解释：

StandardScaler：进行特征标准化（减去均值，除以标准差），使所有特征处于同一量纲，能加速梯度下降收敛并提升某些模型性能。
train_test_split：random_state参数固定随机种子，确保每次运行划分结果一致，便于复现。
LinearRegression().fit()：模型学习的过程，即找到一组系数，使得预测值与真实值的误差平方和最小。
评估指标：
- 均方误差 (MSE)：预测误差平方的平均值，越小越好。但其量纲是目标值量纲的平方，有时不易解释。
- R^2 分数：模型可解释的方差比例，越接近1越好。0.6意味着模型能解释60%的目标值波动。
系数解读：正系数表示该特征与目标值正相关（特征值越大，预测房价越高），负系数则表示负相关。系数绝对值大小可粗略反映特征重要性。

3.3 实战案例二：决策树（鸢尾花分类）

分类问题我们使用经典的鸢尾花数据集，目标是根据花萼和花瓣的尺寸预测花的种类。

from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier, plot_tree from sklearn.metrics import classification_report, confusion_matrix, accuracy_score # 1. 加载数据 iris = load_iris() X, y = iris.data, iris.target target_names = iris.target_names # 2. 划分数据集（分类问题通常不需要特征缩放） X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42, stratify=y) # stratify 保持类别比例 # 3. 训练模型 - 决策树 clf = DecisionTreeClassifier(max_depth=3, random_state=42) # 限制树深度防止过拟合 clf.fit(X_train, y_train) # 4. 预测与评估 y_pred = clf.predict(X_test) print("准确率:", accuracy_score(y_test, y_pred)) print("\n分类报告:") print(classification_report(y_test, y_pred, target_names=target_names)) print("\n混淆矩阵:") print(confusion_matrix(y_test, y_pred)) # 5. 可视化决策树（理解模型如何做决策） plt.figure(figsize=(12, 8)) plot_tree(clf, filled=True, feature_names=iris.feature_names, class_names=target_names, rounded=True) plt.title("决策树可视化") plt.show()

关键解释：

stratify=y：在划分数据集时，保持每个类别的样本比例与原始数据集一致，这对于类别不平衡的数据集非常重要。
max_depth=3：决策树的关键超参数，限制树的最大深度，是控制模型复杂度、防止过拟合（在训练集上表现太好，在测试集上表现差）最直接的手段。
评估指标：
- 准确率 (Accuracy)：分类正确的样本比例。对于平衡数据集，这是一个直观的指标。
- 分类报告 (Classification Report)：提供精确率 (Precision)、召回率 (Recall)、F1-score 等更细致的指标，尤其适用于类别不平衡的情况。
- 混淆矩阵 (Confusion Matrix)：展示模型在每个类别上的预测情况，对角线上的数字越大越好。
决策树可视化：这是决策树算法的巨大优势——可解释性。你可以清晰地看到模型从根节点开始，根据某个特征的值（如petal length <= 2.45）将数据分割，直到叶节点给出最终的类别预测。这有助于你理解模型决策的逻辑。

3.4 实战案例三：K-Means 聚类（无监督学习）

聚类属于无监督学习，我们没有标签，目标是发现数据内在的结构。

from sklearn.cluster import KMeans from sklearn.datasets import make_blobs # 生成模拟聚类数据 # 1. 生成模拟数据 X, y_true = make_blobs(n_samples=300, centers=4, cluster_std=0.60, random_state=0) # 2. 可视化原始数据 plt.scatter(X[:, 0], X[:, 1], s=50) plt.title("原始未标记数据") plt.show() # 3. 应用 K-Means 聚类 kmeans = KMeans(n_clusters=4, random_state=42, n_init='auto') # 指定簇数为4 kmeans.fit(X) y_kmeans = kmeans.labels_ # 获取每个样本的簇标签 centers = kmeans.cluster_centers_ # 获取簇中心 # 4. 可视化聚类结果 plt.scatter(X[:, 0], X[:, 1], c=y_kmeans, s=50, cmap='viridis') plt.scatter(centers[:, 0], centers[:, 1], c='red', s=200, alpha=0.8, marker='X') # 标记簇中心 plt.title("K-Means 聚类结果") plt.show() # 5. 如何选择K值？ - 肘部法则 (Elbow Method) inertias = [] K = range(1, 11) for k in K: kmeans_tmp = KMeans(n_clusters=k, random_state=42, n_init='auto') kmeans_tmp.fit(X) inertias.append(kmeans_tmp.inertia_) # inertia_ 是样本到其最近聚类中心的平方距离之和 plt.plot(K, inertias, 'bx-') plt.xlabel('k (簇数量)') plt.ylabel('Inertia') plt.title('肘部法则：寻找最佳K值') plt.show()

关键解释：

n_clusters：这是 K-Means 最重要的超参数，即你希望数据聚成几类。在真实场景中，K 通常是未知的。
肘部法则：一种启发式方法，用于估计最佳的 K 值。我们计算不同 K 值下模型的inertia_（簇内误差平方和），并绘图。随着 K 增大，inertia 会下降。选择 inertia 下降速度突然变缓的点（像“肘部”），作为合理的 K 值。上图可能在 K=4 处出现肘部。
局限性：K-Means 假设簇是凸形的、各向同性的，且大小相似。对于复杂形状的簇（如环形、月牙形）效果不佳。

4. 构建你的第一个端到端项目与简历准备

学完算法后，必须通过一个完整的项目来整合所有技能。这个项目将成为你简历上“项目经验”部分的核心内容。

4.1 项目选题与数据获取

对于入门者，建议从公开数据集开始。Kaggle、UCI Machine Learning Repository 提供了大量带明确任务的数据集。

推荐入门项目：泰坦尼克号生存预测、房价预测、鸢尾花分类、手写数字识别（MNIST）。
选择标准：数据量适中（几千到几万条），特征清晰，任务明确（分类或回归）。

以“泰坦尼克号生存预测”为例，你的项目目标是根据乘客信息（如舱位、性别、年龄）预测其是否生还。

4.2 项目实现步骤清单

遵循标准机器学习流程，在 Jupyter Notebook 中逐步实现并记录你的思考过程：

环境与数据加载：导入必要的库，用pd.read_csv加载数据。
探索性数据分析 (EDA)：
- 查看数据形状、类型、缺失值 (df.info(),df.isnull().sum())。
- 统计描述 (df.describe())。
- 可视化：生存率与性别、舱位的关系（柱状图）；年龄分布（直方图）；特征间相关性（热力图）。
- 目标：理解数据，形成对哪些特征可能重要的初步假设。
数据预处理：
- 处理缺失值：年龄用中位数或均值填充，船舱号缺失太多可以考虑删除该特征或用“未知”标记。
- 处理分类特征：性别（‘male‘, ‘female‘）转换为数值（0, 1）。舱位等级（Pclass）虽然是数字，但本质是类别，考虑是否进行独热编码（One-Hot Encoding）。
- 特征工程：从姓名中提取头衔（Mr., Mrs., Miss等），从家庭信息（SibSp, Parch）创建“家庭规模”新特征。
- 特征选择：删除无关特征（如乘客ID、姓名），或根据EDA结果选择相关性高的特征。
- 划分数据集：train_test_split，注意对目标列Survived进行分层抽样 (stratify)。
模型训练与评估：
- 尝试多种模型：逻辑回归、决策树、随机森林、支持向量机等。
- 对每个模型，使用交叉验证（如cross_val_score）在训练集上评估初步性能。
- 选择一个有潜力的模型（如随机森林），进行超参数调优（使用GridSearchCV）。
模型验证与结果分析：
- 用调优后的最佳模型在测试集上进行最终预测。
- 计算准确率、精确率、召回率、F1-score，绘制混淆矩阵。
- 分析特征重要性（如果模型支持，如随机森林的feature_importances_），验证 EDA 阶段的假设。
总结与文档：
- 在 Notebook 中用 Markdown 单元格记录每一步的分析、决策和结论。
- 总结项目的关键发现：哪些特征对预测生存最重要？模型性能如何？有哪些可以改进的地方？

4.3 如何将项目转化为简历亮点

完成项目后，你需要用技术语言包装它，写入简历。

错误的写法：

使用了 Python 和 Scikit-learn。
预测了泰坦尼克号乘客是否生存。
准确率达到了 80%。

正确的、有技术颗粒度的写法：

机器学习项目：泰坦尼克号生存预测
从 Kaggle 获取原始数据，运用Pandas和NumPy进行了全面的探索性数据分析（EDA），通过可视化发现了性别、舱位与生存率的强相关性。
设计并实施了数据预处理流水线：使用中位数填充年龄缺失值，对性别、登船港口等分类变量进行标签编码和独热编码，并基于 SibSp 和 Parch 特征构建了“家庭规模”新特征。
对比了逻辑回归、决策树、随机森林等多种分类模型，采用Scikit-learn的GridSearchCV对随机森林进行超参数调优（如n_estimators,max_depth），通过 5 折交叉验证评估模型稳定性。
最终模型在独立测试集上取得了82.5%的准确率，通过分析特征重要性，验证了性别和舱位是最具预测力的特征。
整个项目在Jupyter Notebook中完成，确保了分析过程的可复现性。

4.4 学习路径扩展与下一步

完成第一个项目后，你已经建立了机器学习的核心工作流。接下来可以沿着以下方向深化：

深入算法：理解你所用算法背后的数学原理（如线性回归的损失函数、决策树的信息增益/基尼系数、K-Means 的优化目标）。这能帮助你在模型不 work 时进行调试。
学习更多工具：
- Seaborn：基于 Matplotlib 的统计绘图库，能更简单地画出漂亮的统计图表。
- Scikit-learn 进阶：管道（Pipeline）、特征联合（ColumnTransformer）、自定义评估指标等。
接触深度学习：当传统机器学习方法遇到瓶颈（如图像、语音、自然语言处理），可以开始学习PyTorch或TensorFlow。先从它们的官方教程和 MNIST 手写数字识别开始。
参与竞赛：在 Kaggle 上找一些入门比赛（Getting Started），按照 Kernels 中优秀 Notebook 的思路学习，这是提升工程能力最快的方式。
工程化实践：学习使用Git进行版本控制，将你的项目代码模块化（写成.py脚本和函数），学习基础的单元测试，了解如何将模型保存（joblib或pickle）和加载用于推理。