Python机器学习入门：从零开始搞AI，顺便拯救一下我的求职简历
上周五晚上十点半，我正躺在工位椅子上刷 LeetCode（别问，问就是被面试官拷打怕了），突然钉钉“叮”一声，产品经理小王发来消息：“兄弟，我们下周要上线一个‘智能推荐’模块，能不能先跑个模型看看效果？数据我都给你整理好了，就等你出手了。”
我当时差点把 Vim 里的 :q! 打成 :wq 直接退出人生。入职才两个月，天天写 CRUD 接口，连公司数据库的主从结构都没摸清楚，现在就要我搞 AI？但转念一想——这不正是我偷偷学机器学习的好借口吗？毕竟，简历上要是能写“主导智能推荐系统落地”，跳槽时 HR 眼睛都得亮三分。
背景：被逼上梁山的“AI初学者”
其实我一直对机器学习有点兴趣，但之前总觉得那是 PhD 大佬们玩的，咱这种只会 print("Hello World") 的码农还是老老实实写业务代码吧。直到上个月参加了一场内部技术分享，隔壁组的老张（传说中用一行 Sklearn 代码预测了双11库存爆仓的人）随口说：“现在 ML 入门门槛低得很，Python + Scikit-learn，三天就能跑通 pipeline。”
我一听，心动了。再翻翻招聘网站，“熟悉机器学习基础”、“有推荐系统经验优先”——好家伙，这哪是加分项，简直是硬性要求！于是趁着这次 PM 的“紧急需求”，我决定：卷不动业务逻辑，那就卷 AI 吧！
开搞：从“加载数据”开始踩坑
我拿到的数据是个 CSV 文件，包含用户 ID、商品 ID、点击次数、停留时长等字段。目标很明确：预测用户是否会购买某个商品（二分类问题）。
第一反应：打开终端，vim train.py，准备大干一场。结果刚写两行就卡住了——数据长啥样？有没有空值？特征之间啥关系？总不能直接扔进模型瞎跑吧？
import pandas as pd
df = pd.read_csv("user_behavior.csv")
print(df.head())
print(df.info())
输出一看，好家伙，停留时长 列里混着 "30s"、"1.5min" 这种字符串，还有 20% 的缺失值。当时真的想把 PM 叫过来问问：“你管这叫‘整理好了’？”
不过佛系如我，深吸一口气，默默加了几行清洗代码：
def parse_duration(s):
if pd.isna(s):
return 0
if "min" in s:
return float(s.replace("min", "")) * 60
elif "s" in s:
return float(s.replace("s", ""))
else:
return float(s)
df["duration_sec"] = df["停留时长"].apply(parse_duration)
df.fillna(0, inplace=True)
吐槽时间：为什么业务数据永远这么脏？运维说日志格式统一，测试说数据合规，结果到手全是“惊喜盲盒”。建议以后所有 PM 入职先考《数据清洗 101》。
模型选择：别一上来就上 Transformer
作为一个刚入门的小白，我差点被网上各种 “BERT + GNN + RL” 的教程吓退。但冷静下来一想：我们连 GPU 都没申请下来（IT 说预算紧张，只能用 CPU 跑），还搞什么大模型？
于是回归初心，翻开《Hands-On Machine Learning》第一章（对，就是那本红皮书），决定从最经典的几个模型开始试：
| 模型 | 优点 | 缺点 | 适合场景 |
|---|---|---|---|
| Logistic Regression | 快、可解释、基线必备 | 线性假设强 | 特征工程做得好时效果不错 |
| Random Forest | 自动处理非线性、抗过拟合 | 黑盒、调参略烦 | 中小数据集首选 |
| XGBoost | 精度高、支持缺失值 | 参数多、训练慢 | Kaggle 常胜将军 |
我先拿 Logistic Regression 跑了个 baseline，AUC 才 0.68，堪比抛硬币。换 Random Forest，AUC 直接飙到 0.82！开心了三秒，结果发现线上推理耗时 200ms——PM 要求接口响应 < 50ms，完蛋。
最后祭出 XGBoost，调了下 max_depth=6, learning_rate=0.1, n_estimators=100，AUC 0.84，推理时间压到 35ms。完美！（虽然训练花了 8 分钟，但反正不是实时训练，忍了）
特征工程：玄学中的科学
真正让我体会到“机器学习 80% 是特征工程”的，是那个 用户ID 字段。
一开始我直接 One-Hot 编码，结果特征维度爆炸到 10 万+，内存直接 OOM。后来灵机一动：用历史点击率作为用户 embedding！
user_ctr = df.groupby("user_id")["is_click"].mean().reset_index()
user_ctr.columns = ["user_id", "user_click_rate"]
df = df.merge(user_ctr, on="user_id", how="left")
同理，商品也做了 item_ctr。再加上交叉特征 user_click_rate * item_ctr，AUC 又涨了 0.02。那一刻我仿佛看到了 Andrew Ng 在对我微笑。
佛系心得：别迷信自动特征生成。有时候一个业务理解深刻的简单特征，比 AutoML 跑三天还管用。
代码人生：可读性比炫技更重要
作为 Vim 党 + 代码洁癖患者，我写模型代码时坚持几个原则：
- 变量命名拒绝
x, y, z：X_train改成feature_matrix_train，y改成target_labels - 函数拆分清晰：
load_data(),preprocess_features(),train_model()各司其职 - 注释写清楚业务含义：比如
# 用户7天内点击同类商品次数（反映兴趣集中度）
def build_user_item_features(raw_df: pd.DataFrame) -> pd.DataFrame:
"""
构建用户-商品交叉特征，用于捕捉个性化偏好
Returns:
DataFrame with added features: user_click_rate, item_ctr, interaction_score
"""
# ... 实现细节
组长 review 代码时居然夸我：“你这代码，三个月后自己还能看懂。” —— 对程序员来说，这是最高褒奖了吧？
综合评估：别只看 AUC
上线前，测试同学问：“你怎么证明模型比规则引擎好？” 我差点脱口而出：“因为 AUC 高啊！” 但马上意识到：AUC 高 ≠ 业务效果好。
于是我们加了三个指标：
- Precision@K：Top K 推荐里有多少是真的买了？
- 覆盖率：模型是否只推热门商品，冷门商品完全没机会？
- AB 测试转化率：真实用户点击后购买的比例
结果发现：虽然 AUC 高，但初期推荐太集中在头部商品，新商品曝光几乎为零。赶紧加了个 多样性惩罚项（简单粗暴地在排序时加入随机扰动），虽然 AUC 降了 0.01，但新商品点击率翻倍，PM 直呼“这波稳了”。
求职视角：学 AI 不是为了当算法工程师
写这篇文章时，我已经用这个项目更新了简历。但说实话，我并不打算转岗算法工程师。原因很简单：数学不够硬，论文读不懂，调参靠直觉。
但我发现，懂一点机器学习的后端/全栈，特别吃香。你能和算法团队高效沟通，能快速验证 idea，能在业务系统里无缝嵌入智能能力——这才是“综合型人才”的价值。
而且，面试时聊起这个项目，面试官眼睛都亮了：“你们怎么解决冷启动的？”“特征怎么同步到线上？”——这些问题，纯算法岗可能答不好，但咱工程+ML 的 combo，刚好卡在 sweet spot。
最后：躺平但不摆烂
现在这个推荐模块已经灰度上线两周，转化率提升 12%，虽然离 PM 最初吹的“提升 50%”差得远，但至少没背锅。IT 也终于批了 GPU 资源，说下个版本试试 LightGBM。
而我呢？依然每天早上九点半打卡，Vim 里敲着业务代码，下午三点准时泡枸杞茶。只不过现在，我的待办清单里多了几行：
- 学习特征存储（Feature Store）
- 了解模型监控（Model Drift Detection）
- 把这个 pipeline 封装成内部工具包
代码人生，不一定要卷成大神。但保持一点点好奇心，说不定哪天，你也能用三行 Sklearn，拯救自己的求职简历。
附：新手避坑指南（血泪总结）
- ❌ 别一上来就搞深度学习，Scikit-learn 足够应付 80% 的业务场景
- ✅ 数据清洗花的时间，永远比你想象的多三倍
- ❌ 别信“自动调参神器”，理解参数含义才能 debug
- ✅ 把模型当产品做：可解释、可监控、可回滚
- 💡 最重要的不是模型多 fancy，而是解决实际问题
注：本文所有代码均可在本地 CPU 跑通，无需 CUDA，无需 Docker（除非你想自虐）。
环境：Python 3.9 + pandas 1.5 + scikit-learn 1.2 + xgboost 1.7
共勉：在这个人均“精通AI”的时代，做个清醒的、能跑通 pipeline 的普通程序员，就已经赢了。
评论 0