Part 2 总结：基础恢复整理¶

Section ID: P2-summary Version: v2026.07.20

Part 2 是在重新进入机器学习与深度学习之前，恢复数学、Python、数据工具与文档管理感的一段。它不是要把数学深入证明完，也不是要把所有 Python 语法全部背熟，而是要重新读懂后续学习中反复出现的计算语言。

这一 Part 最重要的目标，是不要把公式、代码、数据、图、运行环境、变更历史看成彼此分离的话题。在 AI 学习里，这些元素是一起移动的。公式表达计算意图，Python 执行计算，NumPy 和 Pandas 处理数据结构，Matplotlib 让你看见数字的形状，Git 把整个过程记录下来。

读好这一 Part，并不意味着把每一章都背下来了。更接近的标准是：能把 为什么现在看这个工具、如果卡住该短暂回到哪里、这个基础会在 Part 3 里变成什么问题 连起来阅读。

也就是说，Part 2 是 在你阅读 Part 3 时，留下可回返坐标点的 Part。目标不是一次性把数学、Python、数组、表、图、Git 全部吃透，而是在以后机器学习文档里遇到陌生处时，知道该回到哪个 Section 去补。

所以 Part 2 最后的问题，更接近 现在能不能进入 Part 3，而不是 是不是所有准备都已经彻底完成。最快的判断标准可以先抓成下面这样。

这里重要的，不是去数到底学完了多少，而是当你开始阅读机器学习正文时，是否知道至少要区分什么、卡住时该回哪里。因此，这个总结页不应被读成对 Part 2 全部内容的长篇复习，而应被读成进入 Part 3 前快速确认最小标准的检查点。

进入 Part 3 前的第一个检查，可以压缩成三个问题：能不能在一个小表里区分 feature 和 label？、能不能通过 shape 和 axis 说明数据方向？、能不能把 mean、error、loss 和变更理由作为不同角色留下来？

先抓住的基准¶

在这个总结页里，最先要抓住的是下面四行。

现在应该能直接说出的事	为什么在 Part 3 前需要
在小表里区分 feature 和 label	为了读懂监督学习里的输入与目标结构
看着 `shape` 和 `axis` 说明行与列的含义	为了把 `X`、`y`、sample、feature 读成数组形状
把 mean、error、loss 区分成不同角色	为了不把数据摘要和学习标准混在一起
能说明运行环境与变更理由	为了留下练习的可复现性与比较记录

所以，这一页的目的不是重新把 Part 2 全列一遍，而是把用来快速判断 现在能不能进入 Part 3 的标准摆到最前面。

现在这份总结里要抓住的东西	在 Part 3 会立刻再次用到的问题	卡住时回来的地方
在小表里区分 feature 和 label 的标准	在监督学习里，输入与目标该怎样分开？	P2-12, P2-3, P2-11
读取 `shape`、行、列、axis 的标准	`X`、`y`、sample、feature 应该按什么形状来读？	P2-11, P2-12
区分 mean、error、loss 与留下记录理由的标准	哪些数字是在做数据摘要，哪些数字是在做学习判断，又该记录什么？	P2-5, P2-6, P2-13, P2-14

在第一次判断里，你应该能立刻说出下面四行。这四行会一次性检查 你能不能读数据、能不能区分计算结果的角色、能不能再次留下实验与说明。

进入 Part 3 前的最低线	为什么需要这一条	卡住时回哪里
能在小表里区分 feature 与 label	因为 Part 3 的监督学习说明会直接连到数据结构	表与数据读取回到 P2-12
能看着 `shape` 和 `axis` 说明行与列的含义	因为这是读取输入数组和汇总方向的最小标准	数组与轴直觉回到 P2-11
不把 mean、error、loss 混成同一个词	因为评估与学习说明建立在数字角色的差异之上	概率与统计恢复回到 P2-5、P2-6
能留下一行像记录变更理由那样的话	因为实验比较与文档可复现性必须一起保留	图回到 P2-13，记录回到 P2-14

现在立刻要检查的问题	如果答案是 `是`，下一步怎么读	如果 `还不行`，先回哪里
能在小表里区分 feature 和 label 吗？	直接进入 Part 3 的监督学习正文	回到 P2-12 看表与数据读取
能说明 `shape`、row、column 的意义吗？	可以直接跟着数组与数据集例子走	回到 P2-11 找回数组与轴的直觉
能说明为什么结果要留下成表、图与 Git 记录吗？	继续读 baseline 比较与实验记录说明	回到 P2-13 看图，回到 P2-14 看记录

如果这三个问题你都能回答 是，那么即使还有一些细节语法不够熟，也可以进入 Part 3。因为 Part 2 不是一场完结考试，而是一张回返地图。

Part 3 回返表¶

如果你在阅读 Part 3 时卡住，可以按下面的表短暂折返。

卡住的场景	先回到 Part 2 的哪里
`X`、`y`、feature、label 变得混乱	`P2-12.3`, `P2-15.2`
`shape`、`axis`、row、column 变得混乱	`P2-11.2`, `P2-15.2`
mean、error、loss 开始混在一起	Chapter 5, Chapter 6, `P2-15.2`
Colab、terminal、notebook 的运行位置混起来了	`P2-3.5`, Chapter 7, Chapter 10
为什么要留下图和记录这件事变得模糊	Chapter 13, Chapter 14

当工具看起来很多又散开时，再把这条最低线压回问题 为什么现在要看这个？

现在重新抓住的东西	为什么不能停在这里，而要继续带走
公式、mean、error、gradient	因为 Part 3 的损失与评估说明建立在这套语言上
Python 的输入、计算、输出流程	因为你需要持续读懂示例代码到底在检查什么
NumPy 的数组、`shape`、`axis`	为了不把数据方向和模型输入形状混淆
Pandas 的 row、column、`DataFrame`	为了能直接从表里读出 feature 和 label
Git 的 commit 与变更理由记录	为了把实验比较与回顾留下成可复现的流程

数学恢复承担的作用¶

Part 2 的目的，不是把基础彻底学完，而是让你在后面 Part 中遇到公式和代码同时出现时，知道该从哪里开始读。

Part 2 找回的数学基准¶

完成这一 Part 之后，你应该能够把公式、数组、表、图、运行环境、Git 历史看成一条连贯的学习流程。

从数字到可复现性的流程¶

Part 2 的流程可以整理成下面这样。

它先看数学在 AI 计算里做什么。
它重新阅读变量、函数、表达式、sigma、极限、log、指数。
它看标量、向量、矩阵、向量空间、矩阵乘法、内积、距离、相似度。
它看变化率、导数、梯度、复合函数、chain rule、梯度下降。
它看概率、分布、平均值、方差、样本、估计、误差。
它看 Python 运行环境、terminal、虚拟环境、依赖。
它看 Python 的值、数据结构、循环、函数、类。
它看数组、表、树、图这些数据结构直觉。
它看 Jupyter、Colab、NumPy、Pandas、Matplotlib。
它看 Git 与文档可复现性。
它把公式移进代码，然后进入 Part 3。

这条流程并不意味着 先把数学学完，再学代码。这里的数学，是作为读取 AI 文档与示例代码的语言来处理的。需要的概念被恢复，用小代码和图示去确认，并为后面再遇到它们做好准备。所以即使在概率章节里，也不是长篇对立频率主义和贝叶斯主义，而只是区分 long-run frequency 与 degree of belief，并把 Bayes' rule 当作 用新证据更新信念 的最小语言。

必须记住的概念¶

从 Part 2 最应该长期带走的概念，是连接。

区分	要记住的视角
公式与代码	公式写下计算意图，代码把这种计算变成可执行过程。
对数与指数	log 是反向读取指数的函数，并会再次作为概率分数与损失语言出现。
变量与数据	公式中的变量，在代码里可以表现成值、数组、表或数据集。
向量与矩阵	向量与矩阵让多个值通过位置、方向、axis、shape 被组合并参与计算。
内积与距离	内积把向量关系折成一个数，距离与相似度则把比较问题区分开来。
导数与梯度	导数是读取变化率的工具，梯度是同时读取多方向变化的工具。
复合函数与 chain rule	它们让你读懂多个计算步骤连在一起时，变化率如何被传递。
损失与优化	loss 把 `当前结果有多差` 变成一个数，optimization 则是寻找更好值的过程。
概率与统计	probability 用数字表达不确定性，statistics 从一组数据中整理出可判断的摘要。
Python 与运行环境	即使是同一段代码，在 Colab、本地 PC、terminal、notebook、virtual environment 中也有不同执行语境。
NumPy 与 Pandas	NumPy 帮助数组计算，Pandas 帮助读取和整理表格式数据。
Matplotlib 与可视化	图让你能用眼睛检查模式、分布、关系和学习流。
Git 与可复现性	Git 让你追踪原稿、代码、图片、证据笔记按什么顺序发生了变化。

一旦抓住这种连接，在 Part 3 里你就能更自然地读取 X、y、sample、feature、fit、predict、loss、metric、train、validation、test 这些表达。

容易误解的地方¶

在 Part 2 中尤其要小心下面这些误解。

不要认为必须先把所有数学证明都掌握，才能开始 AI。
不要把公式只当成和代码无关的符号记忆。
不要把 vector 只理解成一串数字。
不要把 matrix 完全等同于 table。
不要因为见过高中导数，就假定 gradient 立刻会很熟悉。
不要把 probability 只当成“答案的确信度”。
不要认为一个 mean 就足以说明数据的全部形状。
不要把 Python list 和 NumPy array 当成同一种数据结构。
不要把 Pandas DataFrame 只理解成 Excel 样子的画面。
不要把 plot 看成装饰，而要看成帮助判断的检查工具。
不要把 Git 限定成只有开发者才用的工具。

为了减少这些误解，这一 Part 把数学术语、Python 术语、数据工具术语一起并写。即使是同一个中文表达，在数学、代码、数据分析语境里意思也可能略有不同，所以必须把英文原词和使用语境一起确认。

Part 2 已收束的范围与留下的问题¶

Part 2 专注于解释 AI 学习所需的基础语言。因此，严格的高等数学证明、Python 深层语法、大规模数据管道与协作自动化体系，都不会在这里完成，而是留给后续学习或单独参考资料。对于搜索空间中情况数迅速膨胀的直觉，也不会在 Part 2 再重写成一个独立组合论章节。那种直觉先在 Part 1 的搜索章节里抓住，当前结构保持不变，让它在后面超参数搜索与模型选择成本语境里再次出现。

留给下一 Part 的问题¶

Part 2 有意把下面这些问题留着不关掉。

在机器学习里，数据应该按什么结构切分和评估？
损失与优化在真实模型学习中扮演什么角色？
在更复杂的模型结构里，这些基础计算会怎样扩展？

这些问题会在 Part 4 与 Part 5 中作为真正的说明被回收。

进入下一 Part 前要检查的问题¶

在进入 Part 3 前，不需要把长长的清单全背下来，而是应能立刻说出前面的四行最低线，以及下面这些检查。

现在手里应留下的标准	在 Part 3 里会立刻再次使用的地方	卡住时回到 Part 2 的哪里
能用一个小例子读懂 `X`、`y`、shape、mean、error	数据集、feature、label、评估指标的说明	数组看 P2-11，表看 P2-12，图看 P2-13
能区分 Colab、本地 PC、terminal、notebook	实践环境与可复现性说明	运行环境看 P2-7，notebook 执行看 P2-10
知道把计算结果留下成表、图、Git 记录的流程	baseline 比较、错误解释、实验记录说明	Matplotlib 看 P2-13，Git 看 P2-14

实务型检查应该是你能立刻尝试的下面这些内容。

可以立刻尝试的检查	想确认的直觉
看一个小 CSV 表并写下哪些列应该是 feature，哪些列应该是 label	问题定义是否能连到数据结构
自己写一个很短的例子，比如 `X = [[...], [...]]`, `y = [...]`	数组记号与机器学习记号是否连起来
用一次 `print` 结果看一看 mean 或 error	公式是否能连到数字输出
读一个数组的 `shape` 并说出行列各代表什么	能否区分 sample 轴与 feature 轴
写一行像 Git commit message 那样的变更理由	是否准备好把实验与文档记录一起留下

如果你能自己跟着下面这个非常小的干式演练走一遍，Part 3 的第一个数据集例子也会少很多抽象感。

一个非常小的干式演练¶

问题场景：你在脑中先演练一次最小的监督学习场景，用学习时间和解题数去预测是否通过考试。

study_hours	solved_questions	passed
1	5	0
2	9	0
4	16	1

看这张表时，先把前两列读成输入 feature，把最后一列读成 label。

X = [
    [1, 5],
    [2, 9],
    [4, 16],
]
y = [0, 0, 1]

在这个场景里，要立刻确认三件事。

X 是一个装着 3 个 sample 和 2 个 feature 的集合，而 y 是一个装着 3 个目标的集合。
如果把 X 的 shape 读成 (3, 2)，那么 row 就读成 sample，column 就读成 feature。
如果模型预测出像 [0, 1, 1] 这样的结果，你应该能立刻说出：和 y 比较时，第二个 sample 上出现了 error。

这里不需要把 mean、error、loss 全部详细算一遍。但至少要抓住角色差异：passed 的平均值是通过比例摘要，第二个 sample 的错判是单个 error，把多个 error 聚成一个数作为学习标准，就是 loss 的角色。

记录变更理由时，一行就够。比如 feat: add two-feature toy dataset before Part 3 entry check 这种句子，就是留下“改了什么、为什么改”的最小记录例子。

如果这五点能够做到，其余细节就可以在阅读 Part 3 时再回来补强。Part 2 的目的不是把基础学完，而是在你被机器学习正文卡住时，提供知道该回哪里的参照点。

你尤其可能经常重新查看的补充学习有下面这些。

如果运行环境与 terminal 变得混乱，就再看 P2-7.6、P2-7.7。
如果 Python 里的 value.method() 形式变得陌生，就再看 P2-8.6。
如果 array、tree、graph 这些名字突然又陌生起来，就再看 P2-9.4。

结束 Part 2¶

如果你读完了 Part 2，并不意味着公式和代码已经变得完全熟悉。它真正意味着的是：当你再次遇到陌生公式或示例代码时，你知道应先检查什么。

你先看变量和 shape。接着看这是重复、求和、比较，还是优化。然后用表或图去检查结果。最后留下运行环境和变更历史。

这种态度在 Part 3 之后仍然持续重要。即使学习机器学习、深度学习、LLM，模型说明最终也会回到数据结构、计算步骤、评估标准、可复现记录。

能用一段话说明 小表 -> X/y -> shape -> 预测 -> 误差 -> 记录 这条流程吗？
看到一个卡住的表达时，能在 Part 2 里选出该回到哪里吗？
能说明 Part 2 的目的不是 所有基础全部完成，而是 已经拿到了进入 Part 3 的回返标准 吗？

来源与参考¶

本文是对 Part 2 全部内容的原创总结，不直接引用外部资料。