零基础怎么用 AI 系统学一个新领域：以机器学习为例

简短回答： 先把目标写成「学完能做到什么」，让 AI 列出要掌握的要点和顺序；然后一次只学一个要点，每次结束先自己答题、再看讲解；读不懂的句子当场问；隔几天回头考自己；最后用一个小项目把学过的东西串起来。下面用「零基础入门机器学习」把这六步走一遍。

第 1 步：把目标写具体

「我想学机器学习」太大，AI 只能给你一份泛泛的介绍。写成这样：

两周，每天 40 分钟。学完能讲清监督学习在做什么，能用 Python 和 scikit-learn 训练并评估一个分类模型，能看出模型是不是过拟合了。

具体的目标决定了学什么、不学什么，也决定了什么时候算学完。

第 2 步：让 AI 列出要掌握的要点

可以这样问：

我会基础 Python，数学停在高中。目标是（贴上第 1 步）。请列出 10–12 个要掌握的要点，按学习顺序排列，每个要点写一句「学完要能做到什么」，并标出需要补的先修知识。

得到的清单大致会是：

1. 监督学习是什么：特征、标签、训练集和测试集
2. 线性回归和损失函数
3. 梯度下降的直觉
4. 逻辑回归和分类问题
5. 过拟合，以及训练集、验证集、测试集的分工
6. 正则化
7. 评估指标：准确率、精确率、召回率
8. 决策树和随机森林
9. 数据清洗和特征处理
10. 用 scikit-learn 完成一个端到端的小项目

拿到后检查一遍：已经会的划掉，缺的补上，太难的往后放。这份清单就是你的「掌握目标」，后面每一步都对着它走。

第 3 步：一次只学一个要点，以题收尾

每次只讲一个要点，结尾留 2–3 道题：一道用自己的话解释，一道换个场景应用，一道找错。先自己写答案，再看讲解。

依据有两条：

• Roediger 和 Karpicke（2006）的实验里，读完后反复做回忆测验的学生，一周后记住 61%；只反复阅读的学生记住 40%。
• Chi 等人（1994）让八年级学生读一篇讲人体血液循环的课文，每读一句就用自己的话解释一遍。比起只读两遍的学生，他们的理解进步更大，解释得最多的那些学生，全都建立了血液循环的正确模型。

给 AI 的要求里写明「在我答完之前不要给答案」。

第 4 步：卡住的句子，当场问

读到看不懂的地方，把那句话原样贴过去问：「这句话里的『梯度』指的是什么？用一个两三个数字就能算完的例子讲。」这比泛泛地问「梯度下降是什么」更快打到你卡住的地方。

把问过的问题记下来。下一次开始时，先让 AI 针对这些问题再讲一遍，再进入新内容。

第 5 步：隔几天回头考自己

学过的要点，隔一天、三天、一周各回头一次。注意是考自己，不是重读：让 AI 用新的例子出题，你先答。

Dunlosky 等人（2013）评估了十种常见学习方法，只有「练习测验」和「分散练习」被评为高效用；重读、划重点、写摘要都是低效用。

第 6 步：用一个小项目收尾

拿一个公开数据集（比如泰坦尼克号乘客生存数据），从读数据、清洗、训练两个模型、比较评估指标，一路做完，再写一段话说明你为什么选了最终那个模型。能独立做完并讲清楚，第 1 步写下的目标就达成了。

常见的坑

• 让 AI 直接给答案。 Bastani 等人（2025）的实验里，用普通聊天界面练习的高中生，练习题成绩提高了 48%，收走 AI 后的考试却比没用过的同学低 17%。
• 一次学太多。 一次讲三个概念，等于一个都没练。
• 只看不写。 看懂了不等于会了，写下来、讲出来才算。
• 没有终点。 没有清单，就不知道什么时候算学完，也不知道还差什么。

用 Bloom 的话

上面六步，Bloom 都做进了产品里：

• 写下学习目标；目标不够具体时，它会先问你一两个问题。
• 它写出要掌握的大纲，你可以直接改，确认后才开始讲；深度分简单、标准、深入三档。
• 一课一课地讲，每课末尾 2–3 道思考题，下一课先点评你的回答。
• 读不懂的句子直接选中提问，回答出现在那句话旁边，也会带进下一课。
• 每篇先回顾上一篇，学过的内容会在新例子里再出现。
• 大纲讲完有测评和课程总结，「下一步学习」再推荐三个可以接着学的方向。

用你想学的领域开始第一课。

参考文献

• Roediger, H. L., & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255.
• Chi, M. T. H., De Leeuw, N., Chiu, M.-H., & LaVancher, C. (1994). Eliciting self-explanations improves understanding. Cognitive Science, 18(3), 439–477.
• Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques. Psychological Science in the Public Interest, 14(1), 4–58.
• Bastani, H., et al. (2025). Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 122(26).