继续阅读顺序

机器学习这一章不要按术语热度读。先从“机器学习是什么”开始，再看深度学习为什么成为主线，最后再看泛化和过拟合这些判断模型质量的概念。

1. 先看总框

读：机器学习（Machine Learning）、先分清机器学习这个总框

你要先分清：机器学习不是所有 AI，也不是某一个算法。它是一类从数据中学习规律的方法。

读完要能回答：

• 它和手写规则有什么区别？
• 它为什么依赖数据？
• 它为什么会受训练样本影响？

2. 再看深度学习

读：深度学习（Deep Learning）、为什么深度学习成为主线

深度学习是机器学习里最强势的一条路线，尤其适合图像、语音、文本和多模态这类复杂数据。

读完要能分清：

• 机器学习是总类；
• 深度学习是其中一条路线；
• 大模型是深度学习规模化后的重要形态之一。

3. 再看三种学习方式

读：监督学习、无监督学习、强化学习、三种学习方式怎么区分

这里的重点不是背定义，而是看反馈来源：有标准答案、没有标准答案，还是根据奖励调整策略。

4. 再看数据和泛化

读：训练数据、验证集、泛化能力、别只看训练分数

这一步决定你会不会被漂亮 demo 骗。模型在训练集上好看，不代表在真实场景里可靠。

5. 最后看过拟合、欠拟合和正则化

读：过拟合、欠拟合、正则化

这组词解释了为什么模型会“学太死”或“学不会”，以及工程上怎样让模型更稳。

学完这一章你该得到什么

你不需要记住所有算法名。你应该能判断：一个 AI 系统的问题，可能出在数据、标签、模型容量、训练方式、验证方式，还是上线后的真实分布变化。