理论： 没有检验的学习，通常不是真学习；没有反馈的努力，通常会积累错觉。

学习系统不能把“自己出题”当核心，否则会把学习者拖进额外负担。真正有效的是直接接入外部、真实、难度合适的任务系统。 最合理的路线就是： 从小型 Kaggle / tabular 任务直接开干，书和教程只做按需补充。 这比“先看书，再想办法给自己补反馈”更可行，也更接近真实 ML 能力的形成路径。

实践： 做任务！ 优先利用已有的最佳反馈工具，例如 Leetcode，Kaggle 必须确保资料的可靠性，所以信息、学习方面优先利用已有资料 AI as a reviewer：这个应该是最好的，利用 AI 审查代码问题，审查理解问题 AI as a problem-generator：感觉不如 problem-finder，找现成的高质量问题作答和提交。优先使用 problem-finder

看书的顺序性与查阅性： 一方面，顺序读有助于不遗漏细节，能够帮助一步步构建起系统框架，但是缺点在于由于缺乏反馈、不知道后面的内容会导致读得很慢、效率低下； 因此需要跳跃性读，这种一般都是带着需求去查阅的，有助于填补理解，而且能够及时反馈到脑中的疑问，有助于减小阻力。但跳跃性读得缺陷在于缺乏系统性，不清楚知识的边界和整体性。

因此需要两种方式一起用，顺序读+查阅性读。并且这个顺序读中，应该使用书签，而不是人去操心读到哪一页了，只要翻到书签续读即可。（比如网页自带的保存进度就很好用）