一、术语小词典

• 机器学习：让计算机从例子或奖励里学规律，而不是把全部规则写死。
• 标签：有监督学习里的标准答案／类别名。
• 训练集／测试集：用来学／用来考的数据划分。
• 特征：描述样本的属性或数字（颜色、大小、坐标等）。
• 正确率：答对题数÷总题数，常为 0～1 的小数。
• 聚类：无标签归堆，先发现组别。
• 距离／相似：距离小常表示更相似（本册曼哈顿距离）。
• 奖励：强化学习里告诉“好不好”的信号。
• 层／前向：深度网络一层层变换；按顺序从输入算到输出。
• 人主决定：模型给建议，人决定采不采纳、能不能上线。
• sklearn：scikit-learn，常用机器学习工具箱；常见接口 fit／predict。

二、代码接口速查

• classify(name)：规则分类，返回标签或“未知”。
• count_label(data, label)：统计某标签数量。
• accuracy(preds, truths)：计算正确率。
• predict_next(history)：平均值预测下一值。
• build_model(data)／predict(model, name)：字典模型训练与预测。
• group_by_first(xs)：按首字母归堆。
• manhattan(a, b)：曼哈顿距离。
• nearer(point, c1, c2)：归到更近中心（1 或 2）。
• choose_action(scores)：选奖励最高的动作。
• step(pos, action, goal=3)：走一步，返回 (新位置, 奖励)。
• forward(xs)：两层变换串联。
• need_big_model(task)：是否需要大模型。
• choose_type(...)：五问诊选型。
• train(data)／test(model, pairs)：项目闭环。
• can_collect(field)：字段是否允许采集。
• sk_train(X, y)／sk_accuracy(clf, X, y)：sklearn 近邻训练与正确率（第21课）。

三、全册课号（任务——知识点）

• 第1课 校园里的智能助手——认识机器学习与四大类型
• 第2–5课 Python基础：print／列表字典／if·for／函数与标准库
• 第6–10课 有监督学习：classify、标注统计、accuracy、predict、字典模型
• 第11–13课 无监督：归堆、距离、最近邻
• 第14–15课 强化：choose_action、step
• 第16–17课 深度粗知：forward、选型边界
• 第18–20课 综合：choose_type、train/test、can_collect
• 第21课 工具箱：sklearn 的 fit／predict／accuracy_score／KNeighborsClassifier

四原则回顾：数据说话 · 例子教学 · 检验为准 · 人主决定。