W1 → W2 → W3 → W4 → W5 Simulation and confidence → Sampling → Model fitting → Validation → Machine learning
PREVIEW
相较于传统编程靠人写规则，存在无法应对显式规则表达不了的问题，机器学习的革命性在于：
让计算机自己从数据中学习规律。
但"学规律"本质上仍是W1-W4学过的那套建模循环——只是规模更大了：
把现实问题翻译成特征 X 与目标 y后，模型通过最小化损失函数来量化"错得有多离谱"；
再用梯度下降沿着让损失下降的方向自动调整参数，而超参数（如学习率、模型复杂度）决定了学习的速度与模型的灵活性；
关键问题保持不变：模型在它已经见过的数据之外还能工作吗？
所以要用训练/验证/测试集的分工来在"拟合能力"与"泛化能力"之间找到平衡、防止过拟合；
当数据带标签时这一框架就是有监督学习（回归预测连续值、分类预测离散类），当没有标签时就退化为从数据本身发现结构的无监督学习（聚类、异常检测）。
因此W5围绕以下核心问题展开：如何设计目标（损失）、如何优化参数、以及如何证明学到的规律对新数据仍然成立。