AI 的課程學習：為什麼要先學簡單的
二、基礎工具與數學直覺：簡單模型是最佳的「思維訓練場」
如果說 AI 學習有哪一段最容易被低估，那大概是「經典機器學習」這一段。它不酷、不新、不會出現在新聞標題裡，但它幾乎是所有實務問題的第一道防線。在真實的業界專案中，能夠上線、能夠維運、能夠被解釋給非技術主管聽的模型，很大一部分仍然是邏輯迴歸、梯度提升樹這類「簡單」模型。深度學習反而是當資料量足夠、問題足夠複雜時才登場的選項。
線性迴歸與邏輯迴歸：AI 世界的加減乘除
線性迴歸的形式極其簡單：一個加權和加上偏置。但這個簡單形式裡，藏著機器學習一半的核心概念。權重代表特徵的影響力，損失函數衡量預測與真實的距離，梯度下降說明如何一步步修正權重，正則化則是防止模型「背答案」的機制。你在此學到的每一個觀念——欠擬合、過擬合、偏差與變異數的權衡、訓練集與驗證集的切割——在之後的深度學習裡會以不同的名字、不同的規模重複出現。
邏輯迴歸更進一步，加入了 sigmoid 轉換與交叉熵損失，這其實就是一個「只有一層、沒有隱藏層」的神經網路。當你理解了邏輯迴歸的決策邊界為何是線性的、為何需要非線性轉換，你之後看到神經網路「用多層堆疊換取非線性表達能力」時，就不會覺得那是魔法，而是一個自然的延伸。
同樣地，決策樹與隨機森林教你的東西完全不同：它們讓你理解「遞迴分割」如何把特徵空間切成碎片，讓你感受「集成學習」如何用多個弱模型換取穩定性質，也讓你第一次體驗到「特徵重要性」這種對業務溝通極有價值的輸出。這些觀念在後來的 XGBoost、LightGBM 甚至某些注意力機制的研究裡，都會以變形的姿態回來找你。
為什麼跳過基礎的人，最後都在補課
我在業界看過太多「補課」的例子。有位工程師能熟練使用各種 LLM 框架，卻在要做檢索增強生成（RAG）時卡住整整兩週——問題不在框架，而在他不理解「embedding 空間的距離」是什麼意思，也不知道該如何評估檢索品質。這些知識的根源，其實就是向量空間、相似度度量、以及最基本的評估指標概念，全都是「簡單階段」就該建立的东西。
補課的成本遠高於一開始就學。因為補課時你已經有了錯誤的直覺，必須先拆掉再重建；而且補課通常發生在專案壓力下，你沒有從容實驗的空間，只能頭痛醫頭。相對地，在基礎階段多花的兩三週，換來的是接下來兩三年都不需要回頭的穩定地基，這筆投資的報酬率高得驚人。
還有一個更隱微的問題：跳過基礎的人，往往缺乏判斷資訊正確性的能力。當網路上充斥著「三步驟打造你的 AI 應用」這類內容時，你需要有能力分辨哪些說法是真實可行的、哪些是省略了大量前提的行銷話術。而這種判斷力，恰恰來自你親手跑過那些被省略的步驟。
三、從簡單到複雜的四階段學習路徑（實戰課表）
談完原則，接著談路徑。下面這份課表是我根據多期課程與輔導經驗整理出來的版本，假設學習者每週能投入 8 到 10 小時，總時長約 18 到 20 週。它不是唯一正確的路線，但它遵守一個原則：每一階段都以「能獨立完成一個小專案」作為結束條件，而不是以「看完幾門課」作為結束條件。
第一階段：資料素養與 Python 基礎（第 1～4 週）
這一階段的目標不是學會 AI，而是學會「跟資料工作」。內容包含 Python 基本語法、NumPy 與 Pandas 的資料操作、Matplotlib 的視覺化、以及最關鍵的——清理真實世界的髒資料。請刻意去找一份不完美的資料集：有缺失值、有格式不一致的日期、有重複紀錄、有明顯的離群值。把這些問題一個一個處理掉，你會發現自己對「資料」這件事的敬畏感會直線上升。
同時，這一階段要建立統計的基本直覺：平均數與中位數何時會騙人、標準差在說什麼、相關不等於因果、抽樣偏差如何毀掉整個分析。這些概念不需要艱深的數學推導，但必須能用自己的話說清楚。結束條件是：能針對一份陌生資料集，產出一份包含清理過程、描述統計與初步觀察的報告。
第二階段：經典機器學習（第 5～10 週）
這是整條路徑中最重要、也最容易被跳過的一段。內容包含監督式學習的基本模型（線性與邏輯迴歸、K 近鄰、決策樹、隨機森林、梯度提升樹）、非監督式學習（分群、降維）、以及完整的評估方法（訓練/驗證/測試切分、交叉驗證、混淆矩陣、precision/recall/F1、AUC）。
這一階段請務必手做兩件事。第一，用純 NumPy 實作一次梯度下降來擬合線性迴歸，不要用任何機器學習套件。你會親自體驗學習率太大會發散、太小會收斂太慢，這種體感是看一百遍教學影片都換不來的。第二，對同一個資料集，至少比較三種模型的表現，並寫下你認為哪個模型更適合上線、理由是什麼。這個練習訓練的是「模型選擇」的能力，而不是「模型訓練」的能力，而前者在實務中更值錢。
第三階段：深度學習與大型語言模型（第 11～18 週）
有了前面的地基，這一階段會順暢很多。先從多層感知器（MLP）開始，理解為什麼需要非線性激活函數、什麼是反向傳播、batch size 與學習率如何互動。接著進入卷積網路處理影像、循環網路或 Transformer 處理序列資料。然後才是大型語言模型：tokenization、注意力機制、預訓練與微調的差異、提示工程、檢索增強生成、以及模型評估與幻覺問題。
請注意順序：先理解「一個小型神經網路如何訓練」，再去碰 LLM。因為 LLM 的所有問題——context 長度限制、推理成本、微調的災難性遺忘、評估的困難——追根究底都與神經網路的基本性質有關。你不必自己訓練一個 LLM，但你必須知道它內部的運作原理，否則你只是個 API 呼叫者，遇到問題時無從下手。
第四階段：專案整合與部署（第 19 週之後）
最後一階段是把前面所有東西串起來：資料管道、模型訓練、評估、包裝成服務、監控與迭代。這一階段的重點是「端到端」，哪怕模型很簡單也無所謂。一個能穩定運作的邏輯迴歸服務，遠比一個跑在 notebook 裡、無法重現的複雜模型有價值。
為了讓整份課表更清楚，我把各階段的重點與結束條件整理成下表：
階段
時間
核心內容
結束條件（可驗證）
一、資料素養
第 1～4 週
Python、Pandas、視覺化、統計直覺、資料清理
能獨立完成一份陌生資料集的探索報告
二、經典機器學習
第 5～10 週
迴歸、樹模型、分群、評估指標、交叉驗證
能用 NumPy 手寫梯度下降，並比較三種模型優劣
三、深度學習與 LLM
第 11～18 週
MLP、CNN、Transformer、微調、RAG、評估
能說明注意力機制，並完成一個 RAG 小專案
四、整合與部署
第 19 週起
API 包裝、容器化、監控、版本控制
有一個可被他人使用、可重現的端到端服務
這份課表的關鍵不在於週數，而在於「結束條件」。你可以花兩倍時間，也可以用更短的週期，但只要沒有通過結束條件就往下走，後面一定得補課。這一點我在教學現場看過太多次，幾乎沒有例外。
四、常見誤區：把「會用 API」當成「會 AI」
阻礙人們「先學簡單的」的，往往不是能力問題，而是認知誤區。以下三個是我在论坛与课堂上最常遇到的。
誤區一：從 Prompt 開始，卻永遠停在 Prompt
提示工程確實是 AI 應用的一個真實環節，而且入門門檻低、回饋快，很容易讓人有成就感。問題在於，如果你只停留在這一層，你的能力會完全依附於他人提供的模型。當模型版本更新、當供應商調整政策、當你需要處理模型能力邊界外的問題時，你會發現自己沒有任何施力點。
更現實的是，提示工程的技巧正在快速被模型本身的進步吸收。過去需要精心設計的提示詞結構，現在很多模型已經能自行補足。真正不會被吸收的，是「知道問題該如何被拆解」、「知道資料該如何被準備」、「知道結果該如何被評估」這些能力——而它們全都來自基礎階段。
誤區二：追逐最新框架，忽略資料品質
每年都有新的框架、新的函式庫、新的最佳實踐。追這些東西沒有錯，但如果你的學習時間有八成花在「學新工具」而不是「處理資料與思考問題」，那你的成長曲線會非常平緩。因為工具的更迭速度遠快於你的學習速度，你永遠在追，卻從未真正累積。
業界有一句老話：「資料決定模型的上限，模型只是逼近這個上限。」這句話在深度學習時代依然成立，在 LLM 時代甚至更成立——檢索品質、資料切分策略、標註一致性，這些「不酷」的工作，往往才是專案成敗的分水嶺。而這些能力，只有在你願意花時間跟真實資料搏鬥之後才會長出來。
誤區三：只跑 Colab，不敢處理真實髒資料
教學用的資料集通常是乾淨、平衡、格式統一的，這讓人產生一種錯覺：機器學習就是選模型、調參數、看準確率。但真實世界的資料充滿缺漏、充滿雜訊、充滿標註錯誤，而且類別極度不平衡。你在乾淨資料上得到的 95% 準確率，換到真實資料上可能只剩 60%，而且你還不知道為什麼。
因此我強烈建議：在學習過程中，至少要有一次「從頭到尾處理一份真實髒資料」的經驗。去政府開放資料平台、去公開的感測器資料集、去爬一份你有興趣的資料，然後忍受那些繁瑣的清理工作。這個過程不舒服，但它帶來的成長幅度，遠大於在乾淨資料上多調三組超參數。
五、如何判斷「簡單」的界線：三個檢核指標
「先學簡單的」說起來容易，但每個人的「簡單」不一樣。有人覺得線性迴歸很簡單，有人覺得連 Pandas 都很吃力。與其用「模型複雜度」來定義，不如用「你是否真的掌握」來定義。以下三個檢核指標，是我用來判斷學習者是否可以進入下一階段的方法，你也可以拿來自評。
指標一：能不能用自己的話解釋模型在做什麼
找一個完全不懂機器學習的朋友，試著用三分鐘向他解釋你剛剛訓練的模型。如果你只能用「它就是找出一個最好的函數」這種空泛說法，或者必須不斷插入「反正套件會處理」這種句子，那表示你還沒掌握。真正掌握的標準是：你能說出模型的輸入是什麼、輸出是什麼、它用什麼標準判斷好壞、以及它在什麼情況下會失效。
這個練習還有一個額外好處：它會逼你面對自己理解上的空洞。很多時候我們以為自己懂了，直到要開口解釋才發現某個環節其實是模糊的。把這些模糊處補起來，比再多跑十個模型都有用。
指標二：能不能從零重寫一次最小可運行版本
所謂「最小可運行版本」，是指不依賴高階套件、只用手邊最基本的工具，重現一次核心流程。例如用 NumPy 實作梯度下降、用純 Python 實作 K 近鄰、用基本的矩陣運算實作一次注意力機制。你不必寫得漂亮，也不必寫得有效率，只要能跑通、能對上套件的結果就好。
這個練習的價值在於「拆解黑箱」。當你親手寫過一次，套件對你而言就不再是神秘的魔法，而是「我知道它大概怎麼做，只是做得比我快、比我穩」。這種心態上的轉變，會直接影響你除錯時的自信心與效率。
指標三：能不能預測模型失敗的原因
在看到結果之前，先寫下你的預測：這個模型可能會在哪些樣本上出錯？為什麼？如果你的預測準確率有一定水準，代表你對資料與模型的理解是真實的；如果你完全無法預測，只能等結果出來再回頭找理由，那表示你還在「觀察現象」的階段，還沒到「理解機制」的階段。
這個能力在實務上極為關鍵。上線後的模型一定會出錯，而工程師的價值就在於能否在問題擴大之前，預判它可能發生的位置。而這種預判能力，百分之百來自於對基礎模型的深刻理解——因為複雜模型的行為，往往只是基礎模型行為的疊加與變形。
六、給不同背景學習者的具體建議
每個人的起點不同，所以「簡單」的定義也該不同。以下針對三種常見背景給出具體建議。
非工程背景的學習者
如果你完全沒有程式經驗，請不要一開始就挑戰深度學習。你的第一階段應該是「建立程式與資料的基本操作能力」，時間可能需要拉長到八週。選擇一個你真正有興趣的領域（旅遊、餐飲、運動、財經都可以），用 Pandas 分析相關的公開資料，讓學習目標從「學會 AI」轉變成「回答一個我在意的問題」。這樣做的好處是動機穩定，而且你會自然地面對真實資料的各種問題。
數學方面不必焦慮。你先掌握「什麼是平均、什麼是變異、什麼是相關」這種程度的直覺就足夠開始，遇到需要更深的數學時再回頭補。重點是不要讓數學成為你遲遲不開始的理由。
有程式基礎的轉職者
你會寫程式，所以第一階段可以壓縮到兩週。但請注意一個常見陷阱：工程師習慣用「寫出能跑的程式」來衡量進度，而機器學習的進度應該用「能否正確評估模型」來衡量。你可能三天就寫出一個能訓練的模型，但你可能三週都還沒搞懂為什麼你的驗證分數不穩定。
建議你把重心放在第二階段的評估方法與實驗設計上。學會設計對照實驗、學會控制變數、學會解讀學習曲線，這些能力會讓你在進入深度學習時少走非常多冤枉路。同時，請刻意練習「用非技術語言溝通結果」，這是在團隊中建立影響力的關鍵。
已在職的資料或產品人員
你可能已經在用各種 AI 工具，甚至已經參與過專案。你的風險不是「不會用」，而是「理解有斷層」。建議你做一次「回溯式盤點」：把你用過的每一個工具、每一個模型，往下追問三層「為什麼」。為什麼用這個模型？因為它準確率高。為什麼它準確率高？因為……如果追到第三層就卡住，那個卡住的地方就是你的斷層，也就是你該補的基礎。
這種學習方式效率極高，因為它直接鎖定你知識結構中的弱點，而不是從頭再學一遍。搭配前面提到的三個檢核指標，你可以很清楚地知道自己該補哪一塊。
七、結語：簡單是為了走得更遠
回到最初的問題：為什麼 AI 的課程學習要先學簡單的？答案其實不複雜。因為 AI 領域的「複雜」是建立在「簡單」之上的疊加，而不是對「簡單」的取代。線性迴歸沒有因為 Transformer 的出現而失效，梯度下降沒有因為自動微分而消失，訓練集與驗證集的切割原則也沒有因為模型變大而改變。工具會換，原理不會。
更重要的是，先學簡單的東西，讓你有機會「慢慢地懂」。在一個每個月都有新名詞的領域裡，願意慢下來把基礎弄紮實的人，反而會是走得最遠的那一群。因為他們不是靠記憶在學習，而是靠理解在遷移。當新工具出現時，他們能快速定位「這個工具解決了哪個舊問題」，而不是從零開始焦慮。
所以，如果你現在正猶豫要不要「跳過基礎直接學最新的」，我的建議是：不要。花四到六週，把資料處理、經典模型、評估方法這三件事做紮實。你會發現，之後每一次學習新東西，速度都比以前快，而且那種「我知道自己在做什麼」的踏實感，是任何捷徑都換不來的。