课程学习（Curriculum Learning）是一种训练策略：不把训练数据一股脑随机打乱喂给模型，而是按“由易到难”的顺序组织样本，先学简单例子，再逐步加入困难例子。
打个比方。人类学数学，先数数、再加减、再方程、最后微积分。如果第一天就上微积分，大概率挫败。模型也一样。训练初期参数接近随机，直接看复杂样本，损失大、梯度方向乱，更新容易震荡，甚至卡在坏的局部区域。先看简单样本，模型能快速抓住主要模式，参数进入一个较好的区域；再逐步提高难度，模型在这个基础上做精细调整，收敛更快，最终效果往往也更好。
“难度”没有统一标准。可以是样本噪声大小、类别边界是否清晰、序列长度、图像分辨率、任务复杂度，也可以是模型当前预测的损失值。常见做法：按损失排序，损失小的先学；按序列长度分桶，短的先学；多任务里先学简单任务，再学复杂任务。
和相邻概念的区别：
| 概念 | 谁决定顺序/选择 | 核心问题 |
|---|---|---|
| 课程学习 | 预设课程（人/规则） | 按什么顺序训练 |
| 自步学习（Self-paced Learning） | 模型自己 | 当前能学哪些样本 |
| 主动学习（Active Learning） | 模型挑样本请人标注 | 标哪些数据最值 |
| 迁移学习（Transfer Learning） | 源任务到目标任务 | 知识从哪来 |
课程学习不是万能药。如果“简单”的定义与目标任务不匹配，或者简单样本本身有偏，可能损害最终性能。随机打乱有时是强基线。实际使用时，通常要对比实验。
对从业者：语言模型可以先短序列后长序列，图像模型可以先低分辨率后高分辨率，强化学习（Reinforcement Learning）可以先简单环境再复杂环境，微调时可以先冻结底层再逐步解冻。对普通人：学新技能也可以拆成难度阶梯，但别把“简单”等同于“舒适”，要逐步把自己暴露在挑战里。