Day 编号保留原项目历史顺序，不等于严格先修顺序。每课的先修导航给出直接依赖，可继续沿链接补齐基础；课程目录仍按原 Day 编号查找。
适合已会 Python 变量、列表、函数、循环，但尚不熟悉数组、矩阵和导数的读者。若这些 Python 语法也不熟悉，请先完成 Python 官方入门教程。先按安装说明建立环境。
下面覆盖 54 天，每天只列一次，先修章节都在使用它们之前。每阶段可按自己的进度分多次学习；不要求一天学完。
Day 45：NumPy：dtype、shape 与 ufunc → Day 46：NumPy：广播、聚合与布尔掩码 → Day 47：NumPy：索引、排序与结构化数据 → Day 48：pandas：索引、缺失值与 concat → Day 49：pandas：连接、分组与透视表 → Day 50：pandas：字符串、时间与无泄漏特征 → Day 51：Matplotlib：线图、散点与误差条 → Day 52：Matplotlib：分布、色条和子图
Day 26：线性代数：向量与线性变换 → Day 27：线性代数：行列式、逆与子空间 → Day 28：线性代数：点积与叉积 → Day 29：线性代数：特征值与 PCA 预备 → Day 53：Matplotlib：三维视图与二维对照 → Day 30：微积分：导数与链式法则 → Day 31：微积分：极限与隐函数 → Day 32：微积分：Taylor 近似与曲率
Day 1：数据预处理 → Day 2：简单线性回归 → Day 3：多元线性回归 → Day 4：逻辑回归：从得分到概率 → Day 5：逻辑回归：交叉熵与梯度 → Day 8：逻辑回归：对数几率与正则化
Day 7：KNN：距离、邻居和投票 → Day 9：SVM：线性分隔与支持向量 → Day 12：SVM：软间隔与核函数 → Day 20：正则化、验证与学习率 → Day 6：逻辑回归 → Day 10：比较 KNN 与线性 SVM → Day 11：K 近邻分类 → Day 13：线性支持向量机 → Day 14：观察 SVM 间隔与 C → Day 15：朴素贝叶斯与基线比较 → Day 16：非线性核 SVM → Day 19：感知机与学习问题
Day 23：决策树：熵、分裂与 CART → Day 25：决策树分类 → Day 33：随机森林：抽样、特征与集成 → Day 34：随机森林 → Day 24：经验风险与泛化风险 → Day 22：Hoeffding 不等式与样本量 → Day 21：从 HTML 提取结构化数据
Day 17：从逻辑回归到神经元 → Day 35：神经网络：层、形状与激活 → Day 36：梯度下降：batch、epoch 与学习率 → Day 37：反向传播：计算图与局部导数 → Day 38：反向传播：梯度检查 → Day 18：用 NumPy 实现两层神经网络 → Day 39：MNIST 与 Keras 3 → Day 40：猫狗数据准备与可复现划分 → Day 41：小型卷积神经网络 → Day 42：TensorBoard 与受控实验
Day 43：K-means：目标、初始化与局限 → Day 44：K-means 聚类实现 → Day 54：层次聚类
适合已掌握 NumPy/pandas、矩阵乘法、概率基础和链式法则的读者。可以按 Day 1～54 原顺序学习，也可按任务选择实现课：
- 回归：Day 1：数据预处理 → Day 2：简单线性回归 → Day 3：多元线性回归。
- 分类：Day 6：逻辑回归 → Day 11：K 近邻分类 → Day 13：线性支持向量机 → Day 14：观察 SVM 间隔与 C → Day 15：朴素贝叶斯与基线比较 → Day 16：非线性核 SVM → Day 25：决策树分类 → Day 34：随机森林。
- 神经网络：Day 18：用 NumPy 实现两层神经网络 → Day 39：MNIST 与 Keras 3 → Day 40：猫狗数据准备与可复现划分 → Day 41：小型卷积神经网络 → Day 42：TensorBoard 与受控实验。
- 聚类：Day 44：K-means 聚类实现 → Day 54：层次聚类。
跳过理论前先做一次自测：能否说明训练集与测试集的职责、矩阵乘法后的 shape、均值/方差与概率的区别、链式法则如何传播梯度？不能时按该课先修链接回补，而不是跳过缺失知识继续复制代码。
先独立尝试，再打开本课“练习提示、参考答案与自检”链接。答案分为提示、参考解法和自检标准三个折叠区。数值题可核对数值与容差；开放实验以数据划分、控制变量、完整记录为标准，不保证某个参数总能得最高分。
Day 39～42 的实验记录使用独立目录，详见实验保存说明。真实猫狗训练不是本次材料更新的验证内容。