AI 入门项目课：3节课玩转KNN & CNN2025

如果你已经会一点 Python，也对"机器学习"这四个字好奇很久，但每次打开教程都在装环境、调库、看公式的环节卡住，那这门课可以先看一眼。它不打算把你培养成算法工程师，而是用三节课的时间，让你亲手跑通两个最经典的小项目：一个用 KNN 做手写数字识别，一个用 CNN 做同样的识别任务。三节课，两个项目，从传统机器学习跨到深度学习，这是它最实在的地方。

它解决的是"上手"这个具体卡点

很多入门资料的问题在于：讲原理的部分很长，能动手的部分很短，或者反过来，一上来就丢给你一个完整工程，你根本不知道哪一行是关键。这门课把节奏压得很紧——KNN 部分大约半小时的编码量，CNN 部分一小时左右，都是围绕"手写数字识别"这一个数据集展开。好处是你可以把注意力放在"模型怎么搭、参数怎么调、结果怎么看"上，而不是花大量时间理解业务背景。学完之后，你至少能独立完成一次从读数据、建模型、训练到评估的完整流程，知道 sklearn 和 TensorFlow 两条技术路线在写法上差在哪里。

两个项目分别练什么

KNN：先把机器学习的流程跑顺

KNN 是少数几个不需要复杂数学推导就能讲清楚的算法，适合用来建立"训练—预测—评估"的直觉。课程里用 sklearn 实现，重点不在算法本身有多深，而在于让你熟悉这套工具链的调用方式。如果你之前只看过理论、没真正写过几行代码，这一节的价值是帮你把"我好像懂了"变成"我确实跑出来了"。

CNN：理解深度学习的输入输出

CNN 部分换到 TensorFlow，讲卷积神经网络的基本结构和张量的概念，然后落到同样的手写识别任务上。这一节会明显更难一些，因为要理解卷积、池化这些层在做什么。但课程把它控制在一个可接受的范围内——不是让你推导反向传播，而是让你看懂一个卷积网络由哪些部分组成、每部分大致起什么作用。学完这一节，你会发现 CNN 没有想象中那么神秘，它只是把图像当作矩阵来处理的一套固定套路。

资料适合什么基础的人

• 会 Python 基本语法，能看懂函数和循环，但没怎么用过机器学习库；
• 想转行或正在准备 AI 相关岗位面试，需要一个能拿得出手的小项目来练手；
• 已经看过一些理论视频，但始终没有完整跑通过一个模型。

如果你完全没写过代码，或者指望靠三节课就达到能独立做项目的水平，这门课会让你失望。它的定位是"入门项目课"，重点在项目，不在入门。另外，课程里还附带了一些面试准备和职业发展方向的讨论，包括 MLE 岗位的常见问题和一些资料推荐。这部分内容偏经验分享，可以当作了解行业情况的补充，但不必把它当作课程的核心。

怎么用这份资料更划算

建议不要只跟着视频看一遍。KNN 那一节结束后，试着自己换一个数据集，哪怕只是把数字换成别的分类任务，把流程重跑一次；CNN 那一节结束后，可以尝试调整卷积层数量或训练轮数，观察准确率的变化。这两个动作花不了多少时间，但能让你从"照着敲"过渡到"自己改"。如果你正在准备面试，手写识别这个项目本身就是一个不错的谈资——它足够简单，你能把每个环节讲清楚，这比堆砌复杂项目更有说服力。

三节课的体量注定它只能带你走一小段路，但对于一直停在门口的人来说，这一小段路恰恰是最难迈出去的。先跑通，再谈深入。