入门AI应先做完整小项目而非啃理论书，用scikit-learn实现房价预测全流程；慎用Jupyter，优先写.py脚本练结构；勿迷信AutoML，先手写LR+标准化流程；起步即用venv和Git规范工程；提问Stack Overflow需提供最小复现代码、版本与完整报错。
别一上来就啃《深度学习》
很多转行者看到AI火，立刻买来厚厚一本理论书，结果三天后合上再没打开。Python AI不是数学竞赛，入门阶段真正要练的是“用代码把想法跑通”的能力。先从 scikit-learn 做一个预测房价的完整小项目 开始：下载数据、用 pandas 清洗、用 train_test_split 划分、fit 一个 RandomForestRegressor、看 score 和 feature_importance——整套流程走下来，比背公式管用十倍。
别把 Jupyter 当成万能笔记本
Jupyter 看起来友好，但容易养成“碎片化编码”习惯：变量在不同 cell 里反复定义、状态混乱、改个参数要手动 rerun 十几个 cell。初学阶段建议：
• 写小脚本（.py 文件）练逻辑结构和函数封装
• 只在探索性分析、画图调试、快速试模型时用 Jupyter
• 每次运行前清空 kernel，避免隐藏依赖
别迷信“自动机器学习”工具
AutoML（比如 AutoGluon、H2O.ai）确实能一键出结果，但对新手反而有害。你不知道它做了什么特征工程、用了哪个评估指标、为什么过拟合。建议：
• 先手写一个 LogisticRegression + StandardScaler 流程
• 手动做缺失值填充、类别编码、标准化
• 对比不同预处理方式对结果的影响
等你能解释清楚每个步骤的作用，再用 AutoML 加速验证。
别跳过版本管理和基础 Git
很多人调好模型却不会保存、复现不了结果、换台电脑就报错。这不是技术问题，是工程习惯问题。起步就该：
• 用 venv 创建独立环境，pip freeze > requirements.txt
• 每次改代码前 git add + commit，提交信息写清楚“修复了 test_size=0.3 导致的评估偏差”
• 把数据路径、随机种子、模型参数都写进 config.py 或 argparse，不硬编码
别一个人闷头查 Stack Overflow
遇到报错花三小时拼凑答案，不如花十分钟发个清晰问题。有效提问的关键是：
• 贴出最小可复现代码（去掉无关部分）
• 写明 Python 和库版本（python --version；pip show scikit-learn）
• 截图或粘贴完整报错 traceback（不要只说“报错了”）
多数时候，问题不在算法，而在路径写错、DataFrame 列名拼错、或者 fit 之前忘了 dropna。
