代码与学习资料
零代码也能完成四组浏览器实验。本页面向想继续用 Python 或 R 检查计算、保留结果和比较模型的学生；先理解实验问题，再开始改代码。
管理学参考文献
打开管理学文献导读：按课程问题选择必读与选读，查看研究问题、方法、建议阅读重点和证据边界。下载文献资料包，内含导读、完整书目、阅读记录模板，以及可导入 Zotero 的 RIS / BibTeX。全文请通过文献页列出的出版社或作者机构入口获取。
下载与入口
先解压完整代码包并保留目录结构。包含起步脚本、空输出 Notebook、受控实验与计算检查脚本、可复用计算函数、三组共享初始化、合成数据和中文指南。单独一个脚本不足以运行。
- 第一次运行：中文运行说明
- 按问题做实验：中文实验任务指南
- 读懂英文代码注释：英文注释阅读提示与术语表
- 留下可复核记录：比较记录模板（CSV）
- 选择一种语言：Python 起步文件 · Jupyter Notebook · R 起步文件
Python 需要 NumPy 和 pandas；Notebook 还需要可用的 Jupyter 环境。R 使用 base R。无需账号、API 密钥或 GPU。安装与运行命令、工作目录和输出位置以包内中文说明为准。
路径 A：第一次接触代码
先只运行所选语言的默认起步文件，不急着修改函数。找到训练与验证记录数、输入特征、保留轮次、停止轮次和评价结果，并用自己的话解释各自含义。
- 研究问题：默认模型比只报训练事件比例，增加了什么预测信息？
- 操作：先查数据字典与固定切分，再运行默认值，保留完整输出。
- 观察：同时读训练与验证损失，不只看准确率；核对阈值、指标分母和未定义情形。
- 思考：标准化参数来自哪里？验证集在早停和模型比较中做了什么？为什么还不能称它为最终测试？
若运行报错，先核对是否完整解压、工作目录是否正确、Python 内核是否装有所需包。不要为了让脚本运行而随意改动数据列或初始化文件。
路径 B：有 Python / R 基础的受控实验
先比较训练事件比例常数基线、逻辑回归与默认神经网络，再选择隐藏单元、学习率或 L2 中的一项作单因素比较。具体任务、设置、结果文件和解释提示见中文实验任务指南。
- 开始前：写下预期方向、主指标和比较条件。
- 操作时：固定开发数据与切分；一次只改变一个设置，保留其余参数和运行记录。改变网络宽度会改变参数空间，不能称为完全相同权重下的比较。
- 观察时：同时比较损失、保留轮次与停止轮次。不要把“训练到同一轮”和“各自早停”混为一谈。
- 写结论：引用两组实际结果，说明差异、可能原因和不能推出的主张。结果不支持事前判断，也要保留。
可选加练约 15–25 分钟：固定一组验证概率，只改变分类阈值，解释精确率、召回与名单人数的取舍。这仍是开发阶段探索；依据这些结果作选择后，还需独立最终评估。
核对几项基础计算
按包内说明运行检查脚本，再手算其中一项，与输出对照。想一想：脚本核对了哪些计算？哪些研究判断仍需要独立测试、测量效度或因果证据？
数据与模型
本包是七特征、单隐藏层的独立开发练习：540 条训练记录与 180 条验证记录，全部是教学合成数据。不包含最终测试行、测试标签、最终测试成绩或教师完整评估流程。
它与第 3 课网页的双输入、双隐藏层示例不同，不能直接对照两者数值，也不能用一个示例的最佳设置证明另一个示例有效。Python 与 R 共享数据和初始化便于核对；不同语言的结果是否一致，应通过实际运行确认。
英文注释怎样读？
先看函数名和输入，再顺着注释读每一步计算，最后找到输出。中文指南说明任务与研究含义；英文注释帮助你定位代码。
遇到 NumPy、sigmoid、gradient、logit、validation 等词，可查术语表，再回到相应代码，把术语与计算步骤连起来。
完成后回到研究设计提问：把运行结果变成可审查的研究决定，而不只是“代码跑通了”。不要将真实个人资料或保密数据放进公开教学材料。