AI机器学习计划表：按周推进的六个月版

先交代背景，免得这份ai机器学习计划对你水土不服。我是前端出身，写代码不怵，但数学基本还给老师了。六个月里平均每周投入10小时左右——工作日晚上一小时，周末各三小时，赶进度的时候再加点。产出是三个能拿出手的项目和一次成功的转岗。这份计划表不是我拍脑袋设计的，是先按理想状态排了一版，被现实撞了三次腰，改出来 now 的样子。原始版和最终版差异很大，我把为什么改也一并写出来。

为什么大多数AI机器学习计划表活不过三周

原子答案：多数计划死于两个设计缺陷——只列学什么不列怎么验收，以及把时间排到没有任何余量。前者让你感觉在前进实际在原地，后者让一次加班就能摧毁整个计划。

我第一版计划就是反面教材。排的是"第1-2周 Python、第3周 线代、第4周 概率论……"看着工整，实际上两周根本学不完Python在数据场景里的用法，第三周开始我就欠账了。欠账的感觉很糟， 第五周时那张表贴在墙上像张催债单。后来我悟了：计划表的单位不该是"知识"，是"交付物"。

改成什么样？每周目标从"学完NumPy"变成"用NumPy手写一个滑动的均值过滤器，处理自己拍的照片"。区别巨大。知识学没学会是模糊的，东西做没做出来是一眼可见的。做不出来，就说明还没学会，回去补。

老实讲，这个转变救了整份计划。后面五个月我再没产生过"假装在学"的状态。

第一个月：Python打底，四周各有交付物

原子答案：Python阶段别按教程顺序刷，直接冲数据处理三件套NumPy、Pandas、Matplotlib，每周交一个小东西。有编程基础压到三周，零基础老老实实六周，别压缩。

按周的安排我直接列出来。第1周：环境搭好，Anaconda或者venv都行，交付物是跑通一份别人 notebook 并改出两处自己的逻辑。第2周：NumPy数组操作加Pandas读表，交付物是用一份公开CSV（我用的链家二手房数据）算五个统计量并画出来。第3周：数据清洗实战，交付物是把一份脏数据（缺失值、错别字、重复行）洗到能用的状态。第4周：串联测试，写一个50行以内的完整脚本，从读文件到出图一条龙。

有个坑提前说。这一个月里你会无数次刷到"学机器学习不需要精通Python"的说法，然后想跳。别信。不精通没问题，但Pandas的分组聚合不熟，后面每一步都慢。我见过卡在数据读取上而放弃的人，比卡在算法上放弃的多得多。

第二阶段：数学按需补，而不是从头学

原子答案：数学只补三块且学到"能看懂公式在干嘛"为止——线性代数的矩阵运算、概率的条件概率和贝叶斯、微积分的求导链式法则。系统学完数学再学机器学习的人，九成死在半路。

我数学阶段安排了六周，事后看四周其实够，因为我练得偏多了。后来我给别人建议的版本是四周：两周线代（重点矩阵乘法和特征值直觉）、一周概率（条件概率、常见分布）、一周导数与梯度。教材用3Blue1Brown的《线性代数的本质》系列视频打底，配一本入门书查细节，视频在3Blue1Brown官网和B站都能看。刷题平台可以配合用Kaggle，第二个月末的实际数据练习全靠它。

关键的验收方式：我给自己出题——看线性回归的损失函数公式，能不能指出哪部分是矩阵乘法、哪里在求导。能指出来就过关，指不出来回去重看对应章节。这个"按需补"的思路来自一次教训：我第三个月想啃矩阵分解推荐系统，SVD那块看不懂，回头把特征值分解补了三天，再看就通了。带着问题补，三天的效果好过盲目预习一个月。

中间插一段弯路，值得单独说。第二个月末我信心膨胀，去下了吴恩达的机器学习课程打算两周刷完。结果作业里一道向量化实现的题，我卡了三个晚上，进度焦虑直接爆炸。冷静下来算了一笔账：那份课程按我当时的水平要五周才能消化掉，而它的内容和我的计划有六成重叠。于是砍掉，只挑了神经网络和正则化两个专题精看。学会砍内容，是计划能活下来的另一半原因。什么都想要的人，最后什么都排队。

第三、四个月：经典机器学习到深度学习

原子答案：经典机器学习花八周、按算法族推进，每个算法配一个小项目；深度学习八周，前四周跟一个框架入门，后四周完整训一次模型。顺序不能反——没有经典基础直接上深度学习，你会把调参变成玄学。

经典算法的八周我是按"族"切的：线性家族（回归、正则化）两周，树家族（决策树、随机森林、提升树）三周——这族是面试和实战的重头，时间给足，然后聚类降维一周，模型评估与调参两周。每周结构固定：三天看原理，三天跑sklearn，一天写小结。周交付物从"在鸢尾花数据集上跑通"升级到"在泰坦尼克数据集上做一个完整的baseline提交"。

深度学习八周的分配：前两周PyTorch基础，张量操作和自动求导；中间四周跟着做一个图像分类项目从零到出结果；最后两周学迁移学习，拿预训练模型微调一个自己的小数据集。深度学习阶段强烈建议用Colab的免费GPU，省去配环境的折磨，这事我在白嫖算力的实操记录里写得很细。

深度学习和经典方法的关系，很多人到这一步还是糊涂的。简单说，经典算法在结构化数据（表格）上依然是首选，深度学习的主场是图像、文本、语音这类非结构化数据。两者的边界想一次搞清楚，可以看AI与机器学习的区别那篇，三个生活例子讲得很透。

检查点项目：每两个月一次大考

原子答案：六个月里设三个检查点项目，第8周、第16周、第24周各一个，难度递增且必须脱离教程数据集。检查点不过就停新内容补旧账，硬往前赶等于自欺。

我的三个检查点是这样的。第8周：用Kaggle的房价数据集做完整流程，EDA到特征工程到提交，分数进前50%就过。第16周：选一个自己找的数据集（我用的是公司脱敏后的用户流失数据，如果你没有就上Kaggle找个没做过的），用三种以上模型对比并写成一篇分析报告。第24周：综合项目，我做了个图片分类的小应用，模型训练加简单部署，能给别人用的那种。

检查点制度最值钱的地方是它逼你面对真实水平。第16周那次我没过——模型在验证集上分数不错，报告写出来被朋友一眼指出数据泄漏，目标相关特征混进了训练集。重做花了整整两周。丢人吗？挺丢人的。但这个数据泄漏的坑我在面试里被问到时答得比谁都溜，也算是学费没白交。

延误了怎么办：我的三次补救实录

原子答案：延误处理原则就一条——砍内容不砍检查点。项目是能力的锚，知识点永远学不完，砍掉一两个专题不影响主线，砍掉检查点整个计划就散架了。

三次延误分别是：第6周生病停了一周半，第13周出差两周只能碎片学习，第19周综合项目卡在环境配置上一周没进展。对应的处理：第一次砍掉了原本计划的支持向量机深入专题（面试前又补回来了，不算亏）；第二次把深度学习第一阶段的作业从"手写"降级成"读懂加改写"，保住推进节奏；第三次干脆放弃本地部署改用云环境，多花了点钱买了两周时间。

可以看到，三次我都没动检查点的时间。计划表的严肃性就体现在这：可以修改路径，不修改终点。每两周周日晚上花20分钟对一次表，看本周交付物交没交，这个习惯比任何时间管理技巧都管用。

六个月计划表总览：一张执行版

原子答案：下面这张表是我跑完之后复盘修订的最终版，比原始版多留了缓冲、砍了两个专题，可直接拿去改成你的。

表里最容易被忽略的是最后一行。缓冲不是浪费，是让计划扛住生活的必然波动。我原始版一天缓冲都没留，属于典型的理想主义排法。

常见问题

每周只有五六个小时，六个月够吗？

紧但可行。按我的经验，每周6小时需要把周期拉到八个月，或者砍掉一个阶段——我建议砍深度学习的一半，保住经典机器学习的完整度，因为结构化数据的岗位需求面更宽。实在纠结的话，先按原计划跑四周，用真实速度反推总时长，比拍脑袋准。

零基础（没写过代码）也能用这份计划吗？

能，Python阶段翻倍。没编程经验的人第一个月往往要八周而不是四周，后面阶段也可能各延两周，总长八九个月。别觉得慢，稳住节奏比赶进度重要，前人的无数半途而废都是被"落后于计划"的挫败感杀掉的。

转行找工作的话，这份计划学完够吗？

够到面试门口，不够直接上岸。三个检查点项目能让你简历有东西可聊，但真实招聘还会考机器学习基础深度、手撕代码和业务理解。我面试被拒了五次才成，那段经历写在机器学习面试复盘里，建议学完计划后务必看一遍。

计划里要不要安排读论文的时间？

前四个月不要。论文是给已经建立基本盘的人准备的加速器，不是入门材料。我是在第20周之后才开始每周精读一篇的，之前读论文全是煎熬。真想入门后补这个能力，跟着机器学习论文阅读顺序来，少走弯路。

写到这，这份ai机器学习计划就从墙上的催债单变成了可以传下去的地图。回头看，六个月里真正难的不是任何一门知识，是第7周想放弃的那个晚上、第16周被指出数据泄漏的那次脸红、第19周配环境配到怀疑人生的那一周——每一个坎都有对应的绕行方案，方案我都写在上面的。如果你正准备开始，再推荐一篇学AI前先想清楚的5件事，把心态的地基打好，计划才能立得住。觉得这份表有用，转给那个收藏了十份学习路线却一步没动的朋友吧，这次让他真的动起来。