这个班的名字叫「AI就业班一期」，听起来像是给零基础转行的人准备的。但真正翻开大纲你会发现，它其实解决的是一个更具体的问题：一个会写点代码、或者懂点业务的人，离「能被AI岗位约面试」之间，到底缺了哪几块。

如果你现在的情况是——看得懂Python语法，但写不出正经项目；知道梯度下降这个词，但说不清反向传播在算什么；简历上写着「了解机器学习」，面试官一问就卡壳——那这篇导读就是帮你判断，这个班的四个阶段分别补的是哪个洞。

第一阶段：补的是「能用代码把想法跑出来」的能力

很多人卡在这一步而不自知。他们以为自己缺的是模型知识，其实缺的是工程手感。比如给你一个CSV，让你清洗、特征化、切分训练集、跑一个baseline，中间不要查太多资料——这件事如果做不顺畅，后面学再多的Transformer也是空中楼阁。

这个阶段的核心不是「学Python」，而是建立「数据处理→建模→评估」的肌肉记忆。配套练习通常会要求你自己动手实现几个经典算法，而不是直接调库。这很烦，但只有自己手推过一遍逻辑回归的梯度，才知道sklearn的fit()背后发生了什么。

看完这部分，你应该能回答：给定一份带缺失值和类别特征的数据，我的处理顺序是什么？为什么？

第二阶段：补的是数学直觉，不是数学证明

机器学习数学基础这部分，最容易走偏。有人去啃《统计学习方法》的公式推导，啃了两周放弃；有人完全跳过数学，直接调包，遇到调参就靠猜。

这个班在这一块的定位比较务实：够用就行。你需要理解的是——为什么 MSE 对异常值敏感而 MAE 不那么敏感；为什么交叉熵适合分类而 MSE 不适合；正则化到底在约束什么。这些问题的答案不需要你会证明凸优化，但需要你能用几何或概率的语言讲清楚。

配套练习一般是让你用NumPy手动实现损失函数和梯度更新，体验一下「数学写在代码里是什么样子」。

看完这部分，你应该能回答：过拟合在损失曲线上长什么样？L1和L2正则化分别会让权重变成什么形态？

第三阶段：真正进入深度学习和模型实战

这是整个班最重的部分，也是简历上唯一能写「项目经验」的来源。机器学习部分会覆盖树模型、集成方法、特征工程和模型评估——这些在真实业务里仍然是最常用的。深度学习部分则从神经网络基础推到CNN、RNN，再到Transformer的基本结构。

关键不在于你「学过」这些模型，而在于你能不能针对一个具体问题选模型、调参、解释结果。比如一个文本分类任务，你是用TF-IDF+LR，还是微调BERT？为什么？如果数据只有几百条，你的策略会怎么变？

这一阶段的练习通常以项目形式出现，要求你走完从数据到模型到评估的完整流程，并写一份能讲清楚取舍的报告。

看完这部分，你应该能回答：你的项目里，哪个决策是你做的而不是教程告诉你的？依据是什么？

第四阶段：补的是「把能力翻译成offer」的环节

技术过关但面试挂掉的人，往往输在不会讲。面试官问「介绍一个你做的项目」，你从数据来源讲到模型结构讲了十分钟，对方还没听到你的贡献和思考。这一阶段训练的是：用两分钟讲清楚问题、方案、取舍、结果，以及你为什么这么做。

求职技巧部分还包括简历怎么把「调包」写成「有意义的工程决策」，以及算法题和机器学习八股的准备节奏。

看完这部分，你应该能回答：如果面试官追问「你这个模型上线后效果下降怎么办」，你的回答框架是什么？

这个班不适合谁

如果你已经有过完整的深度学习项目经验、能独立读论文并复现、清楚自己下一步要补的是某个细分方向——那这个班对你来说太慢了。它更适合需要有人把「从代码基础到面试表达」这条路铺一遍、并且愿意按阶段做练习的人。报名前的审核和沟通定制环节，本质上就是在筛这件事：你是真的缺这些，还是只是焦虑。