跳到主要内容2026 年 AI 学习路线:从入门到精通 | 极客日志PythonAI算法
2026 年 AI 学习路线:从入门到精通
2026 年 AI 学习路线,分为入门、进阶、工程化、精通创新四个阶段。内容涵盖数学基础、Python 编程、机器学习、深度学习、强化学习、MLOps、模型部署及行业应用。强调循序渐进、重视实战、跟进前沿技术,旨在帮助学习者建立系统的 AI 认知框架并具备产业落地能力。
并发大师2 浏览 2026 年 AI 学习知识图谱
一、入门阶段(0-6 个月):建立认知,夯实基础
核心目标
掌握 AI 基础概念、必备数学与编程能力,能实现简单机器学习模型,建立系统的 AI 认知框架。
核心内容
- AI 通识:AI 发展史、核心概念、主要学派、经典案例,了解 2026 年 AI 前沿趋势(如多模态、具身智能)。
- 数学基础:微积分、线性代数、概率论与统计、优化理论,掌握 AI 算法所需的数学工具。
编程基础:Python 核心语法、数据结构与算法、CUDA 基础,能熟练使用 Python 处理数据、编写简单代码。传统机器学习入门:监督/无监督学习基础、线性回归、决策树、模型评估方法,入门 Scikit-learn 工具。基础实践:完成鸢尾花分类、房价预测等简单项目,参与 Kaggle 入门赛,积累基础实战经验。二、进阶阶段(6-12 个月):掌握核心算法,具备基础工程能力
核心目标
精通深度学习与 NLP 核心内容,理解强化学习原理,掌握数据工程基础,能独立搭建中等复杂度 AI 模型。
核心内容
- 深度学习核心:神经网络基础、CNN/RNN/Transformer 架构、LLM 预训练与微调,掌握 PyTorch/TensorFlow 框架。
- 强化学习:基础概念、价值方法与策略方法、多智能体协作,能实现简单强化学习项目。
- 数据工程:数据清洗、标注、特征工程,了解大数据平台(Spark、Hadoop)的基本使用。
- 模型开发:AutoML、模型优化(正则化、调参)、交叉验证,避免过拟合/欠拟合。
- 进阶实践:搭建图像分类、文本生成模型,实现简单 RAG 应用,参与开源 AI 项目,积累工程实践经验。
三、精通阶段(12-24 个月):具备系统设计与产业落地能力
核心目标
掌握 MLOps 与模型部署技术,能主导企业级 AI 项目,深耕前沿技术,实现 AI 技术产业落地。
核心内容
- 系统工程:MLOps 全流程(模型版本控制、持续监控、自动化部署)、模型部署(推理框架、云平台、硬件加速)、运维与监控。
- 产业实践:工业级 AI 系统设计、多模态融合、具身智能、AI for Science,结合行业场景落地技术。
- 前沿技术:大模型微调与优化、Agent 系统开发、RAG 进阶、自监督学习,跟进 2026 年 AI 前沿动态。
- 高阶实战:主导企业级 AI 项目,设计高可用、高性能的 AI 系统,解决复杂业务问题,发表技术博客或参与前沿研究。
2026 年 AI 学习路线(分阶段执行)
第一阶段:筑基期(第 1-3 个月)—— 夯实基础,入门 AI
核心任务
掌握 AI 通识、数学与编程基础,完成简单实战项目,建立学习节奏。
学习内容
- AI 通识:阅读《人工智能简史》,了解 AI 发展史、核心概念与 2026 年前沿趋势,观看 AI 入门公开课(推荐 Coursera AI 导论)。
- 数学基础:精读《普林斯顿微积分读本》《线性代数及其应用》,重点掌握导数、矩阵运算、条件概率等核心知识点,完成课后习题。
- 编程基础:学习《Python 编程:从入门到实践》,掌握 Python 核心语法、数据结构(列表、字典、数组),熟悉 NumPy、Pandas 库,学习《算法导论》入门章节。
实践任务
完成鸢尾花分类、房价预测两个基础项目,使用 Scikit-learn 实现,熟悉模型训练与评估流程,记录学习笔记。
第二阶段:进阶期(第 4-9 个月)—— 攻坚核心算法,提升实战能力
核心任务
掌握深度学习、NLP 与强化学习核心内容,熟练使用深度学习框架,完成中等复杂度项目。
学习内容
- 深度学习:阅读《深度学习》(Goodfellow)、《动手学深度学习》,掌握神经网络基础、CNN/RNN/Transformer 架构,熟练使用 PyTorch/TensorFlow 框架。
- NLP 与 LLM:学习 Embedding 技术、LLM 预训练与微调基础,了解主流大模型(Qwen、ChatGLM)的使用方法,学习 RAG 基础原理。
- 强化学习:阅读《强化学习:原理与 Python 实现》,掌握 Q-Learning、DQN、PPO 等经典算法,理解多智能体协作基础。
- 数据工程:学习《数据科学实战》,掌握数据清洗、标注、特征工程方法,了解 Spark 基础使用。
实践任务
搭建图像分类模型(如猫狗识别)、简单文本生成模型,实现基础 RAG 问答系统,参与开源 AI 项目(如 Hugging Face 社区项目),积累项目经验。
第三阶段:工程化期(第 10-15 个月)—— 掌握工程工具,实现模型部署
核心任务
精通 MLOps 流程、模型部署技术与工程工具,具备 AI 工程化能力,能将模型落地为可使用的服务。
学习内容
- MLOps:阅读《MLOps 实践》,掌握模型版本控制(MLFlow)、持续监控、自动化部署流程。
- 模型部署:学习推理框架(TorchServe、ONNX Runtime),熟悉阿里云 ModelArts、AWS SageMaker 等云平台使用,了解 GPU/TPU 硬件加速原理与模型优化(量化、剪枝)。
- 工程工具:掌握 Docker、Kubernetes 容器化技术,学习 Prometheus、Grafana 监控平台,熟悉 Git/GitHub、Jenkins CI/CD 流程,掌握 PyTest 自动化测试方法。
实践任务
将此前开发的模型容器化部署,实现在线推理 API,搭建模型监控系统,完成 CI/CD 自动化部署流程,编写项目文档。
第四阶段:精通与创新期(第 16-24 个月)—— 深耕产业实践,跟进前沿技术
核心任务
主导企业级 AI 项目,深耕前沿技术,实现技术创新与产业落地,成为 AI 领域复合型人才。
学习内容
- 产业实践:研究工业级 AI 系统设计案例,学习多模态融合、具身智能、AI for Science 相关技术,结合行业场景(如医疗、金融、工业)深化学习。
- 前沿技术:深入学习大模型微调与优化、Agent 系统开发、RAG 进阶技术,跟进 2026 年 AI 前沿动态(如最新大模型、技术突破)。
- 综合能力:学习项目管理、技术方案撰写,提升沟通协作能力,了解 AI 伦理与安全相关知识。
实践任务
主导企业级 AI 项目(如工业级 ChatGPT 系统、AI 代理系统),解决复杂业务问题,发表技术博客或参与前沿研究,形成个人技术体系。
每月详细学习清单(每天/每周任务)
第一阶段:筑基期(第 1-3 个月)
第 1 个月:AI 通识+Python 入门
核心目标:了解 AI 基础,掌握 Python 核心语法,能编写简单代码
- 第 1 周:AI 通识入门
- 周一 - 周二:阅读《人工智能简史》第 1-3 章,记录核心知识点(每天 1 小时)
- 周三 - 周四:观看 Coursera AI 导论第 1-2 节,整理笔记(每天 1 小时)
- 周五:梳理 AI 核心概念(机器学习、深度学习定义),完成 1 页笔记(1 小时)
- 周六:复习本周知识点,总结 AI 发展史关键节点(1 小时)
- 周日:休息或浏览 AI 行业资讯(30 分钟)
- 第 2 周:Python 基础(语法入门)
- 周一 - 周二:学习 Python 变量、数据类型、运算符,每天练习 5 道基础题(1.5 小时/天)
- 周三 - 周四:学习条件判断、循环语句(if、for、while),编写 3 个简单程序(1.5 小时/天)
- 周五:学习列表、字典基础操作,练习数据遍历(1.5 小时)
- 周六:综合练习,编写 1 个简单的学生成绩统计程序(2 小时)
- 周日:复习本周语法,整理错题(1 小时)
- 第 3 周:Python 进阶(函数 + 模块)
- 周一 - 周二:学习函数定义、参数传递,编写 5 个常用函数(1.5 小时/天)
- 周三 - 周四:学习 Python 模块导入,熟悉 math、random 模块使用(1.5 小时/天)
- 周五:学习异常处理(try-except),优化之前编写的程序(1.5 小时)
- 周六:综合练习,编写带函数和异常处理的程序(2 小时)
- 周日:复习本周内容,整理常用函数笔记(1 小时)
- 第 4 周:NumPy 入门+AI 通识收尾
- 周一 - 周二:学习 NumPy 数组创建、索引、切片,练习基础操作(1.5 小时/天)
- 周三 - 周四:学习 NumPy 常用运算(加减乘除、矩阵基础)(1.5 小时/天)
- 周五:阅读《人工智能简史》第 4-5 章,了解 AI 经典案例(GPS、Deep Blue)(1 小时)
- 周六:综合练习,用 NumPy 处理简单数据(如生成随机数组、计算平均值)(2 小时)
- 周日:本月复盘,梳理 AI 通识和 Python 基础知识点,整理笔记(1.5 小时)
第 2 个月:数学基础(微积分 + 线性代数)
核心目标:掌握 AI 必备数学基础,能理解简单算法的数学原理
- 第 1 周:微积分入门(导数、极限)
- 周一 - 周二:阅读《普林斯顿微积分读本》第 1-2 章,理解极限定义(1.5 小时/天)
- 周三 - 周四:学习导数定义、基本求导公式,练习 10 道求导题(1.5 小时/天)
- 周五:学习复合函数求导、隐函数求导,练习 8 道题(1.5 小时)
- 周六:复习本周知识点,整理求导公式笔记,完成课后 3 道综合题(2 小时)
- 周日:休息,回顾知识点(30 分钟)
- 第 2 周:微积分进阶(偏导数 + 极值)
- 周一 - 周二:学习多元函数、偏导数定义,练习 8 道偏导数题(1.5 小时/天)
- 周三 - 周四:学习极值判定、梯度基础,理解梯度与导数的关系(1.5 小时/天)
- 周五:练习 5 道多元函数极值题,梳理梯度核心知识点(1.5 小时)
- 周六:综合练习,结合 AI 场景(如损失函数求导),完成 2 道应用题(2 小时)
- 周日:复习本周内容,整理微积分核心考点(1 小时)
- 第 3 周:线性代数入门(向量 + 矩阵)
- 周一 - 周二:阅读《线性代数及其应用》第 1-2 章,理解向量定义、向量运算(1.5 小时/天)
- 周三 - 周四:学习矩阵定义、矩阵加减、乘法运算,练习 10 道矩阵运算题(1.5 小时/天)
- 周五:学习矩阵转置、逆矩阵基础,练习 5 道逆矩阵计算题(1.5 小时)
- 周六:复习本周知识点,整理矩阵运算公式,完成课后 4 道综合题(2 小时)
- 周日:休息,回顾向量与矩阵的核心关系(30 分钟)
- 第 4 周:线性代数进阶(特征分解基础)
- 周一 - 周二:学习特征值、特征向量定义,练习 6 道求解特征值题(1.5 小时/天)
- 周三 - 周四:了解特征分解的意义,结合 AI 场景(如 PCA 原理)简单理解(1.5 小时/天)
- 周五:学习矩阵的秩、行列式,练习 5 道相关计算题(1.5 小时)
- 周六:本月复盘,整理微积分、线性代数核心公式,完成 1 套综合练习题(2 小时)
- 周日:梳理数学知识点与 AI 的关联,为后续算法学习铺垫(1 小时)
第 3 个月:概率论 + 传统机器学习入门 + 基础实战
核心目标:掌握概率论基础,入门传统机器学习,完成第一个 AI 实战项目
- 第 1 周:概率论基础(条件概率 + 贝叶斯)
- 周一 - 周二:学习概率定义、古典概型,练习 8 道基础概率题(1.5 小时/天)
- 周三 - 周四:学习条件概率、贝叶斯公式,理解贝叶斯定理的意义(1.5 小时/天)
- 周五:练习 6 道贝叶斯应用题,梳理 KL 散度基础概念(1.5 小时)
- 周六:复习本周知识点,整理概率公式,结合 AI 场景(如分类模型概率)理解(2 小时)
- 周日:休息,回顾知识点(30 分钟)
- 第 2 周:传统机器学习入门(监督学习基础)
- 周一 - 周二:学习监督学习定义、分类与回归的区别,了解线性回归基本原理(1.5 小时/天)
- 周三 - 周四:学习 Scikit-learn 工具安装与使用,熟悉数据集加载方法(1.5 小时/天)
- 周五:用 Scikit-learn 实现简单线性回归,练习数据预处理(1.5 小时)
- 周六:优化线性回归模型,学习模型评估指标(均方误差)(2 小时)
- 周日:复习本周内容,整理 Scikit-learn 常用 API 笔记(1 小时)
- 第 3 周:决策树 + 模型评估
- 周一 - 周二:学习决策树原理、节点分裂规则,理解熵与信息增益(1.5 小时/天)
- 周三 - 周四:用 Scikit-learn 实现决策树分类,练习调参基础(1.5 小时/天)
- 周五:学习模型评估指标(准确率、召回率、F1 分数),练习指标计算(1.5 小时)
- 周六:用决策树完成简单分类任务,对比不同参数的模型效果(2 小时)
- 周日:复习本周内容,梳理监督学习核心流程(数据加载 - 模型训练 - 评估)(1 小时)
- 第 4 周:基础实战(鸢尾花分类 + 房价预测)
- 周一 - 周二:完成鸢尾花分类项目(数据加载、模型训练、评估),编写项目笔记(2 小时/天)
- 周三 - 周四:完成房价预测项目(线性回归),优化模型参数(2 小时/天)
- 周五:学习 Kaggle 入门流程,注册账号,浏览入门赛数据集(1.5 小时)
- 周六:本月复盘,整理机器学习基础知识点,完善两个项目文档(2 小时)
- 周日:休息,规划第 4 个月学习计划(30 分钟)
第二阶段:进阶期(第 4-9 个月)
第 4 个月:深度学习基础(神经网络+PyTorch 入门)
核心目标:掌握神经网络基础,入门 PyTorch 框架,能搭建简单神经网络
- 第 1 周:神经网络基础(感知机 + 多层感知机)
- 周一 - 周二:阅读《动手学深度学习》第 1-2 章,理解感知机原理、激活函数(1.5 小时/天)
- 周三 - 周四:学习多层感知机构造、反向传播原理,梳理传播流程(1.5 小时/天)
- 周五:学习常用激活函数(ReLU、Sigmoid、Tanh),理解各自优缺点(1.5 小时)
- 周六:手动推导反向传播过程,完成 1 道简单计算题(2 小时)
- 周日:复习本周知识点,整理神经网络核心概念笔记(1 小时)
- 第 2 周:PyTorch 入门(环境搭建 + 张量操作)
- 周一 - 周二:安装 PyTorch 环境,学习张量创建、索引、切片操作(1.5 小时/天)
- 周三 - 周四:学习张量运算、梯度计算,理解自动求导原理(1.5 小时/天)
- 周五:练习张量操作,编写简单的梯度计算代码(1.5 小时)
- 周六:综合练习,用 PyTorch 实现简单的感知机(2 小时)
- 周日:复习本周内容,整理 PyTorch 常用 API 笔记(1 小时)
- 第 3 周:PyTorch 进阶(神经网络搭建 + 训练)
- 周一 - 周二:学习 PyTorch nn 模块,搭建简单的多层感知机(1.5 小时/天)
- 周三 - 周四:学习损失函数、优化器(SGD、Adam),理解模型训练流程(1.5 小时/天)
- 周五:用多层感知机训练简单数据集(如鸢尾花),练习模型训练步骤(1.5 小时)
- 周六:优化模型训练参数(学习率、迭代次数),观察模型效果(2 小时)
- 周日:复习本周内容,梳理 PyTorch 模型训练流程(搭建 - 编译 - 训练 - 评估)(1 小时)
- 第 4 周:正则化 + 基础实战
- 周一 - 周二:学习正则化方法(L2、Dropout、Early Stopping),理解过拟合原理(1.5 小时/天)
- 周三 - 周四:用 PyTorch 实现带正则化的多层感知机,对比有无正则化的模型效果(1.5 小时/天)
- 周五:练习数据增强基础方法,优化模型泛化能力(1.5 小时)
- 周六:本月复盘,完成 1 个带正则化的神经网络项目,编写项目笔记(2 小时)
- 周日:休息,规划第 5 个月学习计划(30 分钟)
第 5 个月:CNN 与计算机视觉基础
核心目标:掌握 CNN 原理与架构,能搭建图像分类模型
- 第 1 周:CNN 基础(卷积层 + 池化层)
- 周一 - 周二:学习卷积层原理、卷积核操作,理解特征提取过程(1.5 小时/天)
- 周三 - 周四:学习池化层(最大池化、平均池化),理解池化的作用(1.5 小时/天)
- 周五:手动计算简单卷积操作,练习卷积核设计基础(1.5 小时)
- 周六:用 PyTorch 实现简单卷积层、池化层,观察特征输出(2 小时)
- 周日:复习本周知识点,整理 CNN 核心结构笔记(1 小时)
- 第 2 周:经典 CNN 架构(LeNet+AlexNet)
- 周一 - 周二:学习 LeNet 架构,理解其在图像分类中的应用(1.5 小时/天)
- 周三 - 周四:学习 AlexNet 架构,掌握其核心改进点(1.5 小时/天)
- 周五:用 PyTorch 复现 LeNet 架构,熟悉网络搭建流程(1.5 小时)
- 周六:用 LeNet 训练 MNIST 数据集,完成简单图像分类(2 小时)
- 周日:复习本周内容,对比 LeNet 与 AlexNet 的差异(1 小时)
- 第 3 周:CNN 进阶(ResNet+ 数据增强)
- 周一 - 周二:学习 ResNet 架构,理解残差连接的作用(1.5 小时/天)
- 周三 - 周四:学习常用数据增强方法(随机裁剪、翻转、归一化)(1.5 小时/天)
- 周五:用 PyTorch 实现数据增强,应用于 MNIST 数据集(1.5 小时)
- 周六:用 ResNet 训练 MNIST 数据集,对比与 LeNet 的模型效果(2 小时)
- 周日:复习本周内容,整理经典 CNN 架构笔记(1 小时)
- 第 4 周:实战(猫狗识别入门)
- 周一 - 周二:准备猫狗识别数据集,完成数据预处理(划分训练集/测试集)(2 小时/天)
- 周三 - 周四:搭建 CNN 模型,训练猫狗识别模型(2 小时/天)
- 周五:优化模型参数,提升识别准确率(1.5 小时)
- 周六:本月复盘,完善猫狗识别项目,编写项目文档(2 小时)
- 周日:休息,规划第 6 个月学习计划(30 分钟)
第 6 个月:RNN 与 LSTM 基础
核心目标:掌握 RNN、LSTM 原理,能搭建简单序列预测模型
- 第 1 周:RNN 基础(序列模型+RNN 原理)
- 周一 - 周二:学习序列模型概念,理解 RNN 的结构与工作流程(1.5 小时/天)
- 周三 - 周四:学习 RNN 正向传播、反向传播,理解梯度消失/爆炸问题(1.5 小时/天)
- 周五:用 PyTorch 实现简单 RNN,练习序列数据处理(1.5 小时)
- 周六:用 RNN 完成简单序列预测(如时间序列预测)(2 小时)
- 周日:复习本周知识点,整理 RNN 核心难点笔记(1 小时)
- 第 2 周:LSTM 与 GRU
- 周一 - 周二:学习 LSTM 原理,理解遗忘门、输入门、输出门的作用(1.5 小时/天)
- 周三 - 周四:学习 GRU 原理,对比 LSTM 与 GRU 的差异(1.5 小时/天)
- 周五:用 PyTorch 实现 LSTM、GRU,练习两种模型的使用(1.5 小时)
- 周六:用 LSTM 完成时间序列预测,对比与 RNN 的效果(2 小时)
- 周日:复习本周内容,梳理 LSTM 核心优势(1 小时)
- 第 3 周:序列数据处理+Embedding 基础
- 周一 - 周二:学习序列数据预处理(分词、编码、填充),熟悉 TorchText 工具(1.5 小时/天)
- 周三 - 周四:学习 Embedding 技术基础(Word2Vec),理解词向量的意义(1.5 小时/天)
- 周五:用 PyTorch 实现 Embedding 层,处理文本序列数据(1.5 小时)
- 周六:综合练习,用 LSTM+Embedding 处理简单文本分类(2 小时)
- 周日:复习本周内容,整理序列数据处理流程笔记(1 小时)
- 第 4 周:实战(文本分类)
- 周一 - 周二:准备文本分类数据集(如情感分析数据集),完成数据预处理(2 小时/天)
- 周三 - 周四:搭建 LSTM+Embedding 模型,训练文本分类模型(2 小时/天)
- 周五:优化模型,调整 Embedding 维度、LSTM 层数(1.5 小时)
- 周六:本月复盘,完善文本分类项目,编写项目笔记(2 小时)
- 周日:休息,规划第 7 个月学习计划(30 分钟)
第 7 个月:Transformer 与 LLM 基础
核心目标:掌握 Transformer 原理,了解主流 LLM,入门 LLM 微调基础
- 第 1 周:Transformer 基础(自注意力 + 多头注意力)
- 周一 - 周二:学习 Transformer 整体架构,理解编码器、解码器结构(1.5 小时/天)
- 周三 - 周四:学习自注意力机制、多头注意力原理,手动推导注意力计算过程(1.5 小时/天)
- 周五:学习位置编码,理解其在 Transformer 中的作用(1.5 小时)
- 周六:用 PyTorch 实现简单自注意力层,观察注意力输出(2 小时)
- 周日:复习本周知识点,整理 Transformer 核心结构笔记(1 小时)
- 第 2 周:Transformer 进阶(编码器/解码器+应用)
- 周一 - 周二:学习编码器、解码器的详细结构,理解其工作流程(1.5 小时/天)
- 周三 - 周四:学习 Transformer 在 NLP 中的应用(文本生成、翻译)(1.5 小时/天)
- 周五:用 PyTorch 搭建简单 Transformer 模型,练习模型训练(1.5 小时)
- 周六:用 Transformer 完成简单文本生成任务(如句子续写)(2 小时)
- 周日:复习本周内容,梳理 Transformer 与 RNN 的差异(1 小时)
- 第 3 周:主流 LLM 入门(Qwen、ChatGLM)
- 周一 - 周二:了解主流 LLM(Qwen、ChatGLM)的特点,学习 Hugging Face Transformers 库使用(1.5 小时/天)
- 周三 - 周四:用 Transformers 库调用 Qwen 模型,实现简单对话、文本生成(1.5 小时/天)
- 周五:学习 LLM 预训练原理,了解预训练与微调的区别(1.5 小时)
- 周六:练习调用不同 LLM,对比生成效果(2 小时)
- 周日:复习本周内容,整理 LLM 调用笔记(1 小时)
- 第 4 周:LLM 微调基础
- 周一 - 周二:学习 LLM 微调的基本流程,了解 LoRA 微调方法(1.5 小时/天)
- 周三 - 周四:准备微调数据集,完成数据格式转换(1.5 小时/天)
- 周五:用 LoRA 方法微调 Qwen 小模型,练习微调步骤(1.5 小时)
- 周六:本月复盘,整理 Transformer 与 LLM 核心知识点,完成微调实战笔记(2 小时)
- 周日:休息,规划第 8 个月学习计划(30 分钟)
第 8 个月:强化学习基础 + 数据工程
核心目标:掌握强化学习基础算法,掌握数据清洗、特征工程方法
- 第 1 周:强化学习基础(智能体 + 环境)
- 周一 - 周二:阅读《强化学习:原理与 Python 实现》第 1-2 章,理解强化学习核心概念(智能体、环境、奖励)(1.5 小时/天)
- 周三 - 周四:学习马尔可夫决策过程(MDP),理解状态、动作、奖励的关系(1.5 小时/天)
- 周五:学习价值函数、策略函数,理解两者的关联(1.5 小时)
- 周六:用 Python 实现简单的强化学习环境(如迷宫)(2 小时)
- 周日:复习本周知识点,整理强化学习核心概念笔记(1 小时)
- 第 2 周:基于价值方法(Q-Learning、DQN)
- 周一 - 周二:学习 Q-Learning 算法原理,手动推导更新公式(1.5 小时/天)
- 周三 - 周四:用 Python 实现 Q-Learning,解决迷宫求解问题(1.5 小时/天)
- 周五:学习 DQN 算法原理,理解其对 Q-Learning 的改进(1.5 小时)
- 周六:用 PyTorch 实现 DQN,练习算法训练(2 小时)
- 周日:复习本周内容,对比 Q-Learning 与 DQN 的差异(1 小时)
- 第 3 周:数据工程基础(数据清洗 + 标注)
- 周一 - 周二:学习数据清洗方法(缺失值处理、异常值处理、重复值处理)(1.5 小时/天)
- 周三 - 周四:学习数据标注基础,了解常用标注工具(如 LabelImg)(1.5 小时/天)
- 周五:用 Pandas 完成数据清洗实战,处理一份真实数据集(1.5 小时)
- 周六:练习数据标注,标注简单图像/文本数据集(2 小时)
- 周日:复习本周内容,整理数据清洗流程笔记(1 小时)
- 第 4 周:特征工程+Spark 入门
- 周一 - 周二:学习特征工程方法(特征编码、特征缩放、特征选择)(1.5 小时/天)
- 周三 - 周四:学习 Spark 基础,安装 Spark 环境,熟悉 RDD 操作(1.5 小时/天)
- 周五:用 Spark 处理简单大数据集,练习数据清洗与特征提取(1.5 小时)
- 周六:本月复盘,完成数据工程实战,整理强化学习与数据工程知识点(2 小时)
- 周日:休息,规划第 9 个月学习计划(30 分钟)
第 9 个月:RAG 基础 + 进阶实战
核心目标:掌握 RAG 原理,完成 RAG 问答系统实战,参与开源项目
- 第 1 周:RAG 基础(检索 + 生成)
- 周一 - 周二:学习 RAG 核心原理,理解检索与生成的结合流程(1.5 小时/天)
- 周三 - 周四:学习向量检索基础,了解稠密向量、近似最近邻搜索(1.5 小时/天)
- 周五:学习向量数据库基础(如 Chroma),练习向量存储与检索(1.5 小时)
- 周六:搭建简单的 RAG 框架,实现基础检索功能(2 小时)
- 周日:复习本周知识点,整理 RAG 核心流程笔记(1 小时)
- 第 2 周:RAG 进阶(Embedding 优化 + 检索策略)
- 周一 - 周二:学习 Sentence Embedding 技术,对比不同 Embedding 模型效果(1.5 小时/天)
- 周三 - 周四:学习检索策略(如多轮检索、重排序),优化检索效果(1.5 小时/天)
- 周五:用 Chroma 向量数据库+Sentence Embedding 优化 RAG 检索模块(1.5 小时)
- 周六:练习 RAG 检索优化,对比不同策略的检索准确率(2 小时)
- 周日:复习本周内容,梳理 RAG 优化方法(1 小时)
- 第 3 周:RAG 实战(问答系统搭建)
- 周一 - 周二:准备问答数据集,完成数据预处理与向量存储(2 小时/天)
- 周三 - 周四:搭建完整 RAG 问答系统(检索+LLM 生成),调试系统效果(2 小时/天)
- 周五:优化问答系统,提升回答准确率与相关性(1.5 小时)
- 周六:完善问答系统,编写项目文档,部署简单演示版本(2 小时)
- 周日:复习本周内容,整理 RAG 实战笔记(1 小时)
- 第 4 周:开源项目参与 + 进阶阶段复盘
- 周一 - 周二:浏览 Hugging Face 开源社区,选择 1 个简单的 AI 项目(如 RAG 优化、LLM 微调)(1.5 小时/天)
- 周三 - 周四:学习项目代码,提交简单的代码贡献(如修复小 bug、补充注释)(1.5 小时/天)
- 周五:梳理进阶阶段(4-9 个月)核心知识点,整理错题与项目经验(1.5 小时)
- 周六:进阶阶段复盘,总结学习漏洞,规划第三阶段学习重点(2 小时)
- 周日:休息,调整学习节奏,准备进入工程化期学习(30 分钟)
第三阶段:工程化期(第 10-15 个月)—— 掌握工程工具,实现模型部署
第 10 个月:MLOps 基础 + 模型版本控制
核心目标:掌握 MLOps 核心概念,熟练使用 MLFlow 进行模型版本控制,建立模型全生命周期管理思维
- 第 1 周:MLOps 通识与核心流程
- 周一 - 周二:阅读《MLOps 实践》第 1-3 章,理解 MLOps 定义、核心流程与价值,区分 MLOps 与 DevOps 的差异(1.5 小时/天)
- 周三 - 周四:学习 MLOps 核心环节(数据管理、模型训练、部署、监控、迭代),梳理各环节的关联与依赖,绘制 MLOps 全流程思维导图(1.5 小时/天)
- 周五:了解 MLOps 行业最佳实践,观看 Coursera MLOps 入门公开课,记录行业主流工具栈(1.5 小时)
- 周六:整理 MLOps 核心知识点,结合之前的实战项目,分析现有项目在 MLOps 流程中的缺失环节(2 小时)
- 周日:休息,回顾本周内容,梳理 MLOps 学习重点(30 分钟)
- 第 2 周:MLFlow 入门与核心功能使用
- 周一 - 周二:安装 MLFlow 环境(本地 + 虚拟环境配置),学习 MLFlow 核心功能(实验跟踪、模型存储、版本控制、模型注册),熟悉 MLFlow UI 操作(1.5 小时/天)
- 周三 - 周四:练习用 MLFlow 跟踪模型训练过程,记录训练参数(学习率、迭代次数)、评估指标(准确率、损失值)、模型文件及依赖环境,生成实验报告(1.5 小时/天)
- 周五:学习 MLFlow 模型注册功能,实现模型版本管理、版本切换、模型标注,理解模型生命周期各阶段的管理要点(1.5 小时)
- 周六:综合练习,用 MLFlow 跟踪之前搭建的 CNN 猫狗识别模型训练,完成模型注册与版本标注,编写实验总结(2 小时)
- 周日:复习本周内容,整理 MLFlow 常用操作命令与 UI 使用技巧,形成笔记(1 小时)
- 第 3 周:模型版本控制进阶与实验对比
- 周一 - 周二:学习 MLFlow 实验对比功能,对比不同训练参数(如学习率、正则化方法)下的模型效果,筛选最优参数组合(1.5 小时/天)
- 周三 - 周四:学习模型版本回滚、模型归档方法,处理模型迭代过程中的版本冲突问题,练习多实验并行跟踪(1.5 小时/天)
- 周五:学习 MLFlow 与 Git 的协同使用,实现代码版本与模型版本的联动管理,避免代码与模型脱节(1.5 小时)
- 周六:综合练习,搭建多组实验(不同参数),用 MLFlow 对比实验结果,筛选最优模型并完成版本归档,编写对比报告(2 小时)
- 周日:复习本周内容,整理模型版本控制核心技巧,梳理 MLFlow 与 Git 协同流程(1 小时)
- 第 4 周:MLOps 流程实战 + 本月复盘
- 周一 - 周二:基于之前的 RAG 问答系统项目,用 MLFlow 完成全流程实验跟踪,记录数据预处理、模型训练、评估全环节信息(2 小时/天)
- 周三 - 周四:完成模型注册、版本标注,实现模型版本切换与回滚实战,验证不同版本模型的效果差异(1.5 小时/天)
- 周五:梳理 MLOps 基础流程,总结 MLFlow 使用过程中的常见问题及解决方案(1.5 小时)
- 周六:本月复盘,整理 MLOps 与模型版本控制核心知识点,完善实验报告与学习笔记(2 小时)
- 周日:休息,规划第 11 个月学习计划(模型部署相关),梳理学习重点(30 分钟)
第 11 个月:模型部署基础(推理框架 + 云平台)
核心目标:掌握主流推理框架使用,熟悉云平台模型部署流程,能将训练好的模型部署为基础在线服务
- 第 1 周:推理框架入门(TorchServe+ONNX Runtime)
- 周一 - 周二:学习推理框架核心概念,理解推理与训练的区别,了解 TorchServe、ONNX Runtime 的核心优势与适用场景(1.5 小时/天)
- 周三 - 周四:安装 TorchServe 环境,学习模型打包、服务启动、接口调用流程,练习用 TorchServe 部署 PyTorch 模型(1.5 小时/天)
- 周五:学习 ONNX Runtime 原理,将 PyTorch 模型转换为 ONNX 格式,练习用 ONNX Runtime 进行推理加速(1.5 小时)
- 周六:综合练习,用 TorchServe 部署 CNN 猫狗识别模型,实现图像推理接口调用,测试接口响应速度(2 小时)
- 周日:复习本周内容,整理 TorchServe、ONNX Runtime 常用操作命令,形成部署笔记(1 小时)
- 第 2 周:云平台模型部署(阿里云 ModelArts)
- 周一 - 周二:注册阿里云账号,熟悉 ModelArts 平台界面与核心功能,学习模型上传、部署配置、服务管理流程(1.5 小时/天)
- 周三 - 周四:将之前训练的 RAG 问答系统模型上传至 ModelArts,配置部署参数(实例规格、并发数),启动在线推理服务(1.5 小时/天)
- 周五:学习 ModelArts 服务监控功能,查看接口响应时间、调用次数、错误率,练习服务扩容与缩容操作(1.5 小时)
- 周六:综合练习,通过 ModelArts 部署的接口,实现客户端调用(Python 脚本),完成问答交互实战,调试接口稳定性(2 小时)
- 周日:复习本周内容,整理 ModelArts 部署流程,记录常见部署问题及解决方案(1 小时)
- 第 3 周:云平台进阶(AWS SageMaker)+ 模型优化基础
- 周一 - 周二:了解 AWS SageMaker 平台核心功能,学习模型训练、部署、监控全流程,对比与 ModelArts 的差异(1.5 小时/天)
- 周三 - 周四:练习用 SageMaker 部署 LLM 微调模型,配置推理实例,测试模型推理效果与响应速度(1.5 小时/天)
- 周五:学习模型优化基础方法(量化、剪枝),理解模型优化的核心目的,用 ONNX Runtime 实现模型量化,对比优化前后的推理速度与精度(1.5 小时)
- 周六:综合练习,将优化后的模型部署至 SageMaker,对比优化前后的服务性能,编写优化报告(2 小时)
- 周日:复习本周内容,整理两大云平台部署差异,梳理模型优化基础技巧(1 小时)
- 第 4 周:硬件加速基础 + 本月复盘
- 周一 - 周二:学习 GPU/TPU 硬件加速原理,了解不同硬件对模型推理的提升作用,熟悉 CUDA 基础操作(1.5 小时/天)
- 周三 - 周四:练习用 GPU 加速模型推理,对比 CPU 与 GPU 的推理速度差异,理解硬件加速的适用场景(1.5 小时/天)
- 周五:梳理模型部署全流程,总结推理框架、云平台、硬件加速的核心要点,整理部署实战笔记(1.5 小时)
- 周六:本月复盘,完成 1 个完整的模型部署实战(从模型优化到云平台部署),编写部署文档(2 小时)
- 周日:休息,规划第 12 个月学习计划(容器化技术),梳理学习重点(30 分钟)
第 12 个月:容器化技术(Docker+Kubernetes)
核心目标:掌握 Docker 容器化部署,了解 Kubernetes 集群管理基础,能将模型与依赖环境打包为容器,实现可移植部署
- 第 1 周:Docker 基础(环境搭建 + 镜像制作)
- 周一 - 周二:安装 Docker 环境(Windows/Linux),学习 Docker 核心概念(镜像、容器、仓库),熟悉 Docker 常用命令(启动、停止、查看容器)(1.5 小时/天)
- 周三 - 周四:学习 Dockerfile 编写,掌握基础指令(FROM、COPY、RUN、EXPOSE),练习制作 Python 环境镜像(1.5 小时/天)
- 周五:将之前的 CNN 猫狗识别模型与依赖环境(PyTorch、NumPy)打包为 Docker 镜像,测试镜像可用性(1.5 小时)
- 周六:综合练习,启动 Docker 容器,运行模型推理服务,实现接口调用,验证容器化部署的可行性(2 小时)
- 周日:复习本周内容,整理 Docker 常用命令与 Dockerfile 编写技巧,形成笔记(1 小时)
- 第 2 周:Docker 进阶(镜像管理 + 容器编排基础)
- 周一 - 周二:学习 Docker 镜像管理(镜像上传、拉取、删除、版本控制),熟悉 Docker Hub 仓库使用,上传自制模型镜像(1.5 小时/天)
- 周三 - 周四:学习容器网络配置,实现容器与主机、容器与容器之间的通信,练习多容器协同运行(1.5 小时/天)
- 周五:学习 Docker Compose 基础,编写 docker-compose.yml 文件,实现模型服务与依赖服务(如数据库)的一键启动(1.5 小时)
- 周六:综合练习,用 Docker Compose 部署 RAG 问答系统(模型容器 + 向量数据库容器),调试多容器协同效果(2 小时)
- 周日:复习本周内容,整理 Docker 镜像管理与容器编排核心技巧(1 小时)
- 第 3 周:Kubernetes 基础(集群搭建 + 资源管理)
- 周一 - 周二:学习 Kubernetes 核心概念(Pod、Service、Deployment、Namespace),理解 Kubernetes 集群管理的优势(1.5 小时/天)
- 周三 - 周四:搭建本地 Kubernetes 集群(Minikube),学习集群启动、节点管理、Pod 创建与删除操作(1.5 小时/天)
- 周五:学习 Kubernetes 资源配置(CPU、内存),编写 Pod 配置文件,部署模型容器至 Kubernetes 集群(1.5 小时)
- 周六:练习用 Kubernetes Service 暴露模型接口,实现外部访问,测试集群部署的稳定性(2 小时)
- 周日:复习本周内容,整理 Kubernetes 核心概念与常用操作命令,形成笔记(1 小时)
- 第 4 周:Kubernetes 进阶 + 容器化部署实战
- 周一 - 周二:学习 Kubernetes Deployment 功能,实现模型容器的扩容、缩容、滚动更新,保障服务高可用(1.5 小时/天)
- 周三 - 周四:学习 Kubernetes 监控基础(Prometheus 初步集成),查看 Pod 运行状态、资源占用情况(1.5 小时/天)
- 周五:梳理容器化部署全流程(Docker 镜像制作→Docker Compose 调试→Kubernetes 集群部署),总结关键步骤(1.5 小时)
- 周六:本月复盘,完成完整的容器化部署实战(从模型打包到 Kubernetes 集群部署),编写部署文档(2 小时)
- 周日:休息,规划第 13 个月学习计划(CI/CD 与监控),梳理学习重点(30 分钟)
第 13 个月:CI/CD 流程 + 自动化测试
核心目标:掌握 Git/GitHub、Jenkins CI/CD 流程,熟练使用 PyTest 进行自动化测试,实现模型开发、测试、部署全流程自动化
- 第 1 周:Git/GitHub 进阶(分支管理 + 协作开发)
- 周一 - 周二:学习 Git 分支管理(master/main、develop、feature 分支),掌握分支创建、合并、冲突解决方法(1.5 小时/天)
- 周三 - 周四:熟悉 GitHub 协作流程(Fork、Pull Request、Code Review),练习提交代码、创建 PR、解决代码评审意见(1.5 小时/天)
- 周五:将之前的模型项目代码上传至 GitHub,规范代码目录结构,编写 README 文档(1.5 小时)
- 周六:综合练习,创建 feature 分支,开发模型优化功能,提交 PR 并完成合并,熟悉协作流程(2 小时)
- 周日:复习本周内容,整理 Git/GitHub 常用命令与协作技巧,形成笔记(1 小时)
- 第 2 周:Jenkins CI/CD 基础(环境搭建 + 流程配置)
- 周一 - 周二:安装 Jenkins 环境,配置 Java 依赖,熟悉 Jenkins 界面与核心功能(插件管理、任务创建)(1.5 小时/天)
- 周三 - 周四:学习 Jenkins 任务配置,创建简单的 CI 流程(代码拉取、依赖安装、代码检查),练习触发 CI 流程(1.5 小时/天)
- 周五:学习 Jenkins CD 流程配置,实现模型训练、测试通过后自动部署至 Docker 容器(1.5 小时)
- 周六:综合练习,配置完整的 CI/CD 流程(代码拉取→依赖安装→自动化测试→模型训练→容器部署),测试流程稳定性(2 小时)
- 周日:复习本周内容,整理 Jenkins CI/CD 配置步骤,记录常见问题及解决方案(1 小时)
- 第 3 周:PyTest 自动化测试 + 测试用例设计
- 周一 - 周二:学习 PyTest 测试框架基础,掌握测试用例编写、测试执行、断言方法,熟悉 PyTest 常用命令(1.5 小时/天)
- 周三 - 周四:为模型项目编写自动化测试用例(数据预处理测试、模型推理测试、接口调用测试),覆盖核心功能(1.5 小时/天)
- 周五:学习测试报告生成(pytest-html),练习集成测试报告至 Jenkins CI 流程,实现测试结果可视化(1.5 小时)
- 周六:综合练习,运行自动化测试用例,排查测试失败问题,优化代码与测试用例,确保测试通过率(2 小时)
- 周日:复习本周内容,整理 PyTest 测试用例设计技巧,梳理自动化测试与 CI/CD 的协同流程(1 小时)
- 第 4 周:CI/CD 全流程实战 + 本月复盘
- 周一 - 周二:基于 GitHub 代码仓库,完善 Jenkins CI/CD 流程,集成自动化测试、模型训练、容器部署全环节(2 小时/天)
- 周三 - 周四:测试 CI/CD 流程的完整性与稳定性,模拟代码更新、模型迭代场景,验证自动部署效果(1.5 小时/天)
- 周五:梳理 CI/CD 全流程核心要点,总结自动化测试与 CI/CD 协同的优势,整理流程优化建议(1.5 小时)
- 周六:本月复盘,完成 CI/CD 全流程实战,编写流程文档,记录优化方案(2 小时)
- 周日:休息,规划第 14 个月学习计划(模型监控与运维),梳理学习重点(30 分钟)
第 14 个月:模型监控与运维
核心目标:掌握 Prometheus、Grafana 监控平台使用,能搭建模型监控系统,实现模型性能、精度的实时监控与问题排查
- 第 1 周:监控平台基础(Prometheus+Grafana)
- 周一 - 周二:安装 Prometheus 环境,学习 Prometheus 核心概念(指标采集、存储、查询),配置指标采集规则(1.5 小时/天)
- 周三 - 周四:安装 Grafana 环境,学习 Grafana 与 Prometheus 的集成方法,熟悉 Grafana 仪表盘创建、指标可视化操作(1.5 小时/天)
- 周五:学习模型监控核心指标(推理延迟、吞吐量、准确率、错误率),配置 Prometheus 指标采集(1.5 小时)
- 周六:综合练习,创建 Grafana 仪表盘,可视化模型推理延迟、吞吐量等指标,实现实时监控(2 小时)
- 周日:复习本周内容,整理 Prometheus、Grafana 常用操作,形成监控平台使用笔记(1 小时)
- 第 2 周:模型监控系统搭建
- 周一 - 周二:学习模型性能监控(CPU、内存、GPU 占用),配置 Prometheus 采集硬件资源指标,关联模型服务(1.5 小时/天)
- 周三 - 周四:学习模型精度监控,实现推理结果的实时校验,配置精度异常告警规则(1.5 小时/天)
- 周五:学习告警配置(Grafana 告警、邮件通知),设置指标阈值,实现异常情况及时提醒(1.5 小时)
- 周六:综合练习,搭建完整的模型监控系统(指标采集→可视化→告警),测试告警功能有效性(2 小时)
- 周日:复习本周内容,整理模型监控系统搭建流程,记录告警配置技巧(1 小时)
- 第 3 周:模型运维基础(问题排查 + 模型迭代)
- 周一 - 周二:学习模型服务常见问题(接口超时、推理错误、资源占用过高)的排查方法,练习日志分析(1.5 小时/天)
- 周三 - 周四:学习模型漂移检测基础,了解数据漂移、概念漂移的定义与检测方法,练习漂移指标计算(1.5 小时/天)
- 周五:学习模型迭代流程,结合监控数据,制定模型更新策略(重新训练、参数调整)(1.5 小时)
- 周六:综合练习,模拟模型服务异常场景(如推理延迟过高),排查问题并解决,验证模型漂移检测效果(2 小时)
- 周日:复习本周内容,整理模型运维常见问题及解决方案,梳理模型迭代流程(1 小时)
- 第 4 周:监控与运维实战 + 本月复盘
- 周一 - 周二:基于之前部署的模型服务,搭建完整的监控与运维体系,实现指标监控、异常告警、日志分析(2 小时/天)
- 周三 - 周四:模拟模型漂移场景,检测漂移指标,执行模型迭代流程,验证迭代后模型效果(1.5 小时/天)
- 周五:梳理模型监控与运维核心要点,总结监控指标设计、问题排查、模型迭代的关键技巧(1.5 小时)
- 周六:本月复盘,完成监控与运维实战,编写运维文档,记录监控告警规则与问题排查流程(2 小时)
- 周日:休息,规划第 15 个月学习计划(工程化综合实战),梳理学习重点(30 分钟)
第 15 个月:工程化综合实战 + 第三阶段复盘
核心目标:整合第三阶段所学知识(MLOps、模型部署、容器化、CI/CD、监控运维),完成综合实战项目,实现模型全生命周期工程化管理
- 第 1 周:综合实战项目规划与准备
- 周一 - 周二:确定综合实战项目(如工业级 RAG 问答系统工程化部署),梳理项目需求、技术栈与实施步骤(1.5 小时/天)
- 周三 - 周四:整理项目所需工具与环境(MLFlow、Docker、Kubernetes、Jenkins、Prometheus、Grafana),完成环境搭建与配置(1.5 小时/天)
- 周五:编写项目实施方案,明确各环节(模型训练、版本控制、容器化、CI/CD、监控运维)的具体任务与时间节点(1.5 小时)
- 周六:梳理项目所需代码与资源,完善项目目录结构,准备项目开发所需的数据集与模型(2 小时)
- 周日:复习第三阶段核心知识点,梳理综合实战的技术难点,制定应对方案(1 小时)
- 第 2 周:项目开发(模型优化 + 版本控制)
- 周一 - 周二:优化 RAG 问答系统模型(Embedding 优化、检索策略优化),用 MLFlow 跟踪模型训练过程,记录实验数据(2 小时/天)
- 周三 - 周四:完成模型注册与版本控制,筛选最优模型版本,标注模型信息,实现版本切换与回滚功能(1.5 小时/天)
- 周五:编写模型推理代码,优化推理逻辑,提升接口响应速度,完成本地测试(1.5 小时)
- 周六:将项目代码上传至 GitHub,规范代码提交记录,完成 README 文档编写(2 小时)
- 周日:复习模型版本控制与 MLFlow 使用技巧,排查项目开发中的问题(1 小时)
- 第 3 周:项目部署(容器化+CI/CD+ 监控)
- 周一 - 周二:编写 Dockerfile 与 docker-compose.yml 文件,将模型与依赖环境打包为 Docker 镜像,测试镜像可用性(2 小时/天)
- 周三 - 周四:配置 Jenkins CI/CD 流程,实现代码拉取、自动化测试、模型部署(Docker 容器→Kubernetes 集群)全自动化(1.5 小时/天)
- 周五:搭建项目监控系统,用 Prometheus 采集模型性能、精度指标,用 Grafana 创建可视化仪表盘,配置异常告警(1.5 小时)
- 周六:测试项目全流程(代码更新→CI/CD 自动部署→监控告警),排查部署与监控中的问题,优化系统稳定性(2 小时)
- 周日:复习容器化、CI/CD、监控运维相关知识,完善项目部署与监控配置(1 小时)
- 第 4 周:项目验收 + 第三阶段复盘
- 周一 - 周二:完成综合实战项目验收,测试项目功能(模型推理、接口调用、监控告警、CI/CD 自动化),确保符合需求(2 小时/天)
- 周三 - 周四:完善项目文档(部署文档、运维文档、用户手册),整理项目开发与部署过程中的经验与问题(1.5 小时/天)
- 周五:梳理第三阶段(第 10-15 个月)核心知识点,总结 MLOps、模型部署、容器化、CI/CD、监控运维的核心技巧(1.5 小时)
- 周六:第三阶段全面复盘,分析学习过程中的不足,整理错题与实战经验,规划第四阶段学习重点(2 小时)
- 周日:休息,调整学习节奏,准备进入第四阶段(精通与创新期)学习(30 分钟)
第四阶段:精通与创新期(第 16-24 个月)—— 深耕产业实践,跟进前沿技术
核心目标:主导企业级 AI 项目,深耕前沿技术,实现技术创新与产业落地,成为 AI 领域复合型人才,构建个人核心技术竞争力,适配行业高端岗位需求。
整体要求:打破技术边界,实现'技术 + 产业'深度融合,不仅掌握核心技术的高级应用,更能结合行业场景解决复杂业务问题;持续跟进 2026-2027 年 AI 前沿动态,实现技术创新与落地转化,同时提升项目管理、方案撰写与沟通协作能力。
第 16 个月:产业实践入门(行业场景深耕)
核心目标:选定 1-2 个重点行业(如医疗、金融、工业),深入了解行业业务流程与 AI 需求,掌握行业级 AI 系统的核心设计思路。
- 第 1 周:行业调研与需求分析
- 周一 - 周二:选定目标行业(推荐医疗影像分析/金融风险控制二选一),阅读行业报告(如艾瑞咨询、IDC AI 行业报告),了解行业痛点与 AI 应用场景(1.5 小时/天)
- 周三 - 周四:调研行业内优秀 AI 案例(如医疗影像诊断系统、金融反欺诈平台),拆解案例的技术架构、核心模块与落地难点(1.5 小时/天)
- 周五:学习行业业务知识(如医疗影像标注规范、金融风控指标),梳理行业 AI 需求优先级,形成需求分析报告(1.5 小时)
- 周六:综合练习,结合行业需求,初步规划一个行业级 AI 项目的核心功能与技术选型(2 小时)
- 周日:复习本周内容,整理行业调研笔记,明确后续学习重点(1 小时)
- 第 2 周:行业级 AI 系统设计基础
- 周一 - 周二:学习行业级 AI 系统的整体架构(数据层、模型层、应用层),理解各层的核心职责与技术选型逻辑(1.5 小时/天)
- 周三 - 周四:学习数据治理在行业场景中的应用(如医疗数据脱敏、金融数据合规处理),掌握行业数据的采集、清洗与标注规范(1.5 小时/天)
- 周五:学习行业级模型的选型与适配方法,结合行业数据特点,分析模型优化方向(1.5 小时)
- 周六:综合练习,绘制选定行业 AI 项目的架构图,明确各模块的技术选型与接口设计(2 小时)
- 周日:复习本周内容,整理行业级 AI 系统设计核心要点,完善项目架构方案(1 小时)
- 第 3 周:行业专用技术学习
- 周一 - 周二:针对选定行业,学习专用技术(医疗:医学影像分割技术、DICOM 格式处理;金融:特征工程在风控中的应用、时序数据分析)(1.5 小时/天)
- 周三 - 周四:学习行业专用数据集的使用(如医疗影像公开数据集 BraTS、金融风控公开数据集 Kaggle Credit Risk),练习数据预处理与特征提取(1.5 小时/天)
- 周五:学习行业相关工具使用(医疗:ITK-SNAP 影像标注工具;金融:XGBoost/LightGBM 在风控中的调参技巧)(1.5 小时)
- 周六:综合练习,基于行业数据集,搭建简单的行业专用模型(如医疗影像分类、金融风险预测)(2 小时)
- 周日:复习本周内容,整理行业专用技术与工具笔记,优化模型效果(1 小时)
- 第 4 周:行业项目实战入门 + 本月复盘
- 周一 - 周二:基于本周所学,启动行业 AI 项目的核心模块开发(如数据预处理模块、基础模型训练模块)(2 小时/天)
- 周三 - 周四:调试项目模块,解决行业数据适配、模型适配中的问题,完成核心模块的初步测试(1.5 小时/天)
- 周五:梳理行业实践的核心难点,总结行业技术与通用 AI 技术的差异,整理解决方案(1.5 小时)
- 周六:本月复盘,完善行业项目入门实战,编写项目阶段性报告,梳理本月学习漏洞(2 小时)
- 周日:休息,规划第 17 个月学习计划(多模态融合技术),梳理学习重点(30 分钟)
第 17 个月:多模态融合技术(核心前沿)
核心目标:掌握多模态技术(文本、图像、语音融合)的核心原理与实现方法,能搭建多模态融合模型,适配行业多模态场景需求。
- 第 1 周:多模态技术通识与核心原理
- 周一 - 周二:学习多模态技术的定义、核心价值与应用场景(如图文生成、语音 + 文本交互、医疗多模态诊断),理解多模态融合的核心逻辑(1.5 小时/天)
- 周三 - 周四:学习多模态数据的特点与预处理方法(如图文对齐、语音转文本、模态间特征映射),掌握多模态数据集的构建技巧(1.5 小时/天)
- 周五:学习多模态融合的核心方法(早期融合、晚期融合、跨模态注意力机制),对比不同融合方法的优缺点与适用场景(1.5 小时)
- 周六:综合练习,构建简单的多模态数据集(如图文配对数据集),实现基础的模态特征提取与对齐(2 小时)
- 周日:复习本周内容,整理多模态核心原理与数据预处理笔记(1 小时)
- 第 2 周:多模态模型入门(CLIP、ViT-GPT2)
- 周一 - 周二:学习主流多模态模型(CLIP、ViT-GPT2)的架构与工作原理,理解其跨模态对齐的核心机制(1.5 小时/天)
- 周三 - 周四:学习 Hugging Face Transformers 库中多模态模型的调用方法,练习图文检索、图文生成基础功能(1.5 小时/天)
- 周五:学习多模态模型的训练技巧(如对比学习、跨模态预训练),了解模型微调的核心要点(1.5 小时)
- 周六:综合练习,用 CLIP 模型实现图文检索功能,调试模型检索精度,优化检索效果(2 小时)
- 周日:复习本周内容,整理多模态模型调用与训练笔记,总结常见问题及解决方案(1 小时)
- 第 3 周:多模态模型进阶与行业适配
- 周一 - 周二:学习多模态模型的优化方法(如特征融合优化、模型轻量化),提升模型推理速度与精度(1.5 小时/天)
- 周三 - 周四:结合选定行业,适配多模态模型(如医疗:图文融合的影像诊断模型;金融:文本 + 时序数据融合的风控模型)(1.5 小时/天)
- 周五:学习多模态模型的部署技巧,解决多模态数据传输、推理延迟等问题(1.5 小时)
- 周六:综合练习,搭建行业适配的多模态模型(如医疗图文融合诊断模型),完成模型训练与初步测试(2 小时)
- 周日:复习本周内容,整理多模态模型优化与行业适配技巧,完善模型测试报告(1 小时)
- 第 4 周:多模态项目实战 + 本月复盘
- 周一 - 周二:将多模态模型集成到第 16 个月的行业项目中,实现多模态核心功能(如医疗图文联合诊断、金融多模态风险识别)(2 小时/天)
- 周三 - 周四:调试项目功能,优化多模态模型与项目其他模块的衔接,提升系统稳定性与响应速度(1.5 小时/天)
- 周五:梳理多模态技术的学习重点与应用难点,总结行业适配的核心技巧(1.5 小时)
- 周六:本月复盘,完成多模态项目实战,编写项目实战报告,整理多模态核心知识点(2 小时)
- 周日:休息,规划第 18 个月学习计划(大模型进阶与 Agent 开发),梳理学习重点(30 分钟)
第 18 个月:大模型进阶与 Agent 系统开发
核心目标:精通大模型微调与优化技术,掌握 Agent 系统的核心架构与开发方法,能搭建行业级大模型 Agent 应用。
- 第 1 周:大模型进阶(微调优化 + 量化部署)
- 周一 - 周二:学习大模型进阶微调方法(LoRA 进阶、QLoRA、全参数微调),理解不同微调方法的适用场景与优缺点(1.5 小时/天)
- 周三 - 周四:学习大模型量化优化(INT4/INT8 量化),用 GPTQ、AWQ 等工具实现大模型量化,对比量化前后的模型效果与推理速度(1.5 小时/天)
- 周五:学习大模型蒸馏技术,实现大模型轻量化,适配边缘设备或低资源环境部署(1.5 小时)
- 周六:综合练习,用 QLoRA 微调 Qwen/ChatGLM 大模型,实现行业场景适配(如医疗问诊、金融咨询),完成量化优化(2 小时)
- 周日:复习本周内容,整理大模型微调、量化、蒸馏的核心技巧,形成笔记(1 小时)
- 第 2 周:Agent 系统基础(架构与核心模块)
- 周一 - 周二:学习 Agent 系统的核心定义、架构与应用场景(如智能助手、自动办公 Agent、行业专用 Agent),理解 Agent 的决策逻辑(1.5 小时/天)
- 周三 - 周四:学习 Agent 系统的核心模块(规划器、记忆模块、工具调用模块、反思模块),掌握各模块的功能与实现方法(1.5 小时/天)
- 周五:学习 Agent 开发框架(LangChain、AutoGPT),熟悉框架的核心 API 与使用方法(1.5 小时)
- 周六:综合练习,用 LangChain 搭建简单的 Agent 系统(如自动问答 Agent),实现基础的工具调用与决策功能(2 小时)
- 周日:复习本周内容,整理 Agent 系统架构与开发框架笔记,优化简单 Agent 的功能(1 小时)
- 第 3 周:Agent 系统进阶(工具调用 + 记忆优化)
- 周一 - 周二:学习 Agent 工具调用进阶(多工具协同、工具选择策略、异常处理),练习集成常用工具(搜索引擎、数据库、代码执行器)(1.5 小时/天)
- 周三 - 周四:学习 Agent 记忆模块优化(短期记忆、长期记忆、记忆检索),实现 Agent 的记忆持久化与高效检索(1.5 小时/天)
- 周五:学习 Agent 反思机制,实现 Agent 的自我纠错与优化,提升决策准确性(1.5 小时)
- 周六:综合练习,优化 Agent 系统,实现多工具协同调用与记忆优化,完成复杂任务(如自动数据分析 + 报告生成)(2 小时)
- 周日:复习本周内容,整理 Agent 系统进阶技巧,总结工具调用与记忆优化的核心要点(1 小时)
- 第 4 周:行业级 Agent 实战 + 本月复盘
- 周一 - 周二:结合选定行业,搭建行业级 Agent 系统(如医疗问诊 Agent、金融风控 Agent),集成大模型、多模态技术与行业工具(2 小时/天)
- 周三 - 周四:调试 Agent 系统的决策逻辑、工具调用与记忆功能,解决行业场景中的复杂问题(1.5 小时/天)
- 周五:梳理大模型进阶与 Agent 开发的核心难点,总结行业级 Agent 的适配技巧(1.5 小时)
- 周六:本月复盘,完成行业级 Agent 实战,编写项目文档与演示案例,整理核心知识点(2 小时)
- 周日:休息,规划第 19 个月学习计划(RAG 进阶与知识图谱),梳理学习重点(30 分钟)
第 19 个月:RAG 进阶与知识图谱融合
核心目标:精通 RAG 进阶技术,掌握知识图谱的构建与应用方法,实现 RAG 与知识图谱融合,提升大模型回答的准确性与专业性。
- 第 1 周:RAG 进阶技术(检索优化 + 多源数据融合)
- 周一 - 周二:学习 RAG 检索进阶技术(稠密检索优化、混合检索、重排序策略),提升检索准确率与效率(1.5 小时/天)
- 周三 - 周四:学习多源数据融合 RAG(文本、表格、图片、PDF 多格式数据检索),掌握多源数据的解析与索引构建方法(1.5 小时/天)
- 周五:学习 RAG 与大模型的深度融合(提示工程优化、上下文管理、幻觉抑制),提升回答质量(1.5 小时)
- 周六:综合练习,搭建多源数据 RAG 系统,优化检索策略,抑制大模型幻觉,测试回答准确性(2 小时)
- 周日:复习本周内容,整理 RAG 进阶技术笔记,总结检索优化与幻觉抑制技巧(1 小时)
- 第 2 周:知识图谱基础(构建与存储)
- 周一 - 周二:学习知识图谱的核心概念(实体、关系、属性),理解知识图谱在 AI 领域的应用价值(如增强回答专业性、实现逻辑推理)(1.5 小时/天)
- 周三 - 周四:学习知识图谱的构建流程(知识抽取、知识融合、知识存储),掌握知识抽取工具(如 Neo4j、Stanford CoreNLP)的使用(1.5 小时/天)
- 周五:学习知识图谱的存储方法(图数据库 Neo4j、ArangoDB),练习知识图谱的创建、查询与更新(1.5 小时)
- 周六:综合练习,构建行业专用知识图谱(如医疗疾病 - 症状知识图谱、金融产品 - 风险知识图谱)(2 小时)
- 周日:复习本周内容,整理知识图谱构建与存储笔记,完善知识图谱(1 小时)
- 第 3 周:RAG 与知识图谱融合技术
- 周一 - 周二:学习 RAG 与知识图谱融合的核心逻辑(知识图谱增强检索、知识图谱辅助生成),理解融合的优势(1.5 小时/天)
- 周三 - 周四:学习融合实现方法(知识图谱检索与文本检索结合、知识图谱实体增强提示词),练习融合模型的搭建(1.5 小时/天)
- 周五:学习融合系统的优化方法,解决检索与知识融合中的冲突问题,提升回答的逻辑性与准确性(1.5 小时)
- 周六:综合练习,搭建 RAG 与知识图谱融合系统,应用于行业场景(如医疗问诊、金融咨询),测试系统效果(2 小时)
- 周日:复习本周内容,整理融合技术笔记,优化系统效果(1 小时)
- 第 4 周:融合系统实战 + 本月复盘
- 周一 - 周二:将 RAG 与知识图谱融合系统集成到之前的行业 Agent 项目中,实现专业性与准确性的提升(2 小时/天)
- 周三 - 周四:调试融合系统与 Agent 的衔接,解决数据同步、检索效率等问题,完成系统整体测试(1.5 小时/天)
- 周五:梳理 RAG 进阶与知识图谱融合的核心要点,总结行业应用的适配技巧(1.5 小时)
- 周六:本月复盘,完成融合系统实战,编写项目优化报告,整理核心知识点(2 小时)
- 周日:休息,规划第 20 个月学习计划(AI for Science 与具身智能),梳理学习重点(30 分钟)
第 20 个月:AI for Science 与具身智能入门
核心目标:了解 AI for Science(AI 赋能科学研究)与具身智能的核心概念与应用场景,掌握基础实现方法,拓展技术边界。
- 第 1 周:AI for Science 通识与核心应用
- 周一 - 周二:学习 AI for Science 的定义、核心价值与应用领域(如药物研发、材料科学、天体物理),了解行业前沿案例(1.5 小时/天)
- 周三 - 周四:学习 AI for Science 的核心技术(分子模拟、量子机器学习、数据分析建模),理解 AI 与科学研究的融合逻辑(1.5 小时/天)
- 周五:学习 AI for Science 常用工具(如 PyTorch Geometric、RDKit),练习基础的分子结构分析与建模(1.5 小时)
- 周六:综合练习,用 AI 工具完成简单的科学分析任务(如分子性质预测),了解 AI 在科学研究中的应用流程(2 小时)
- 周日:复习本周内容,整理 AI for Science 核心知识点与工具笔记(1 小时)
- 第 2 周:AI for Science 实战入门
- 周一 - 周二:选定一个 AI for Science 细分场景(如药物分子筛选、材料性能预测),学习场景相关的业务知识与技术需求(1.5 小时/天)
- 周三 - 周四:学习场景专用模型(如分子图神经网络 GNN),练习模型的训练与测试(1.5 小时/天)
- 周五:学习科学数据集的使用(如 PubChem、Materials Project),练习数据预处理与特征工程(1.5 小时)
- 周六:综合练习,搭建简单的 AI for Science 模型(如分子性质预测模型),完成模型训练与效果评估(2 小时)
- 周日:复习本周内容,整理场景专用模型与数据集笔记,优化模型效果(1 小时)
- 第 3 周:具身智能基础(架构与感知)
- 周一 - 周二:学习具身智能的定义、核心架构(感知模块、决策模块、执行模块)与应用场景(如机器人、自动驾驶)(1.5 小时/天)
- 周三 - 周四:学习具身智能的感知技术(计算机视觉、语音识别、传感器数据融合),理解感知模块的核心功能(1.5 小时/天)
- 周五:学习具身智能的决策基础(强化学习、行为树),了解决策模块的工作逻辑(1.5 小时)
- 周六:综合练习,用强化学习实现简单的具身智能行为(如机器人避障),熟悉感知与决策的协同流程(2 小时)
- 周日:复习本周内容,整理具身智能核心架构与感知技术笔记(1 小时)
- 第 4 周:具身智能实战入门 + 本月复盘
- 周一 - 周二:学习具身智能开发框架(如 ROS、PyTorch Robotics),练习框架的基础操作与模块搭建(1.5 小时/天)
- 周三 - 周四:搭建简单的具身智能系统(如小型机器人导航系统),实现感知、决策、执行的基础协同(1.5 小时/天)
- 周五:梳理 AI for Science 与具身智能的学习重点,总结两大领域的技术共性与差异(1.5 小时)
- 周六:本月复盘,完成 AI for Science 与具身智能实战入门,编写实战笔记与总结报告(2 小时)
- 周日:休息,规划第 21 个月学习计划(项目管理与技术方案撰写),梳理学习重点(30 分钟)
第 21 个月:项目管理与技术方案撰写
核心目标:掌握 AI 项目管理方法,能独立撰写高质量技术方案、项目文档,提升沟通协作与项目统筹能力,适配企业级项目主导需求。
- 第 1 周:AI 项目管理基础(流程与方法)
- 周一 - 周二:学习 AI 项目管理的核心流程(需求分析、方案设计、开发实施、测试验收、运维迭代),理解各阶段的核心职责(1.5 小时/天)
- 周三 - 周四:学习项目管理方法(敏捷开发、瀑布开发),掌握 AI 项目的进度管理、资源管理、风险控制技巧(1.5 小时/天)
- 周五:学习项目管理工具(Jira、Trello),练习项目任务创建、分配、跟踪与复盘(1.5 小时)
- 周六:综合练习,制定 AI 项目管理计划(基于之前的行业 Agent 项目),明确进度节点、资源分配与风险预案(2 小时)
- 周日:复习本周内容,整理项目管理流程与工具笔记,完善项目管理计划(1 小时)
- 第 2 周:技术方案撰写基础(结构与技巧)
- 周一 - 周二:学习 AI 技术方案的核心结构(需求分析、技术选型、架构设计、实施计划、风险评估、预算估算)(1.5 小时/天)
- 周三 - 周四:学习技术方案的撰写技巧(逻辑清晰、重点突出、技术严谨、语言专业),分析优秀技术方案案例(1.5 小时/天)
- 周五:学习方案中核心模块的撰写方法(架构图绘制、技术选型说明、风险分析与应对)(1.5 小时)
- 周六:综合练习,撰写简单的 AI 技术方案(基于之前的多模态项目),完成方案核心模块的编写(2 小时)
- 周日:复习本周内容,整理技术方案撰写技巧,优化方案内容(1 小时)
- 第 3 周:项目文档与沟通协作
- 周一 - 周二:学习 AI 项目各类文档的撰写(需求文档、设计文档、测试文档、运维文档、用户手册),掌握各文档的核心要点(1.5 小时/天)
- 周三 - 周四:学习技术沟通技巧(与业务方沟通需求、与开发团队沟通实现、与管理层汇报进度),练习技术汇报的逻辑与表达(1.5 小时/天)
- 周五:学习团队协作方法,掌握代码评审、会议沟通、问题同步的核心技巧(1.5 小时)
- 周六:综合练习,完善之前项目的各类文档,模拟技术汇报,优化沟通表达逻辑(2 小时)
- 周日:复习本周内容,整理项目文档撰写与沟通协作笔记(1 小时)
- 第 4 周:方案实战与项目统筹 + 本月复盘
- 周一 - 周二:独立撰写完整的行业级 AI 项目技术方案(包含全流程模块),结合项目管理计划,完善方案的可行性与落地性(2 小时/天)
- 周三 - 周四:模拟项目统筹场景,分配项目任务、跟踪进度、处理风险,练习项目全流程统筹能力(1.5 小时/天)
- 周五:梳理项目管理与技术方案撰写的核心要点,总结沟通协作的技巧与注意事项(1.5 小时)
- 周六:本月复盘,完成技术方案实战,整理项目管理与文档撰写笔记,提升统筹能力(2 小时)
- 周日:休息,规划第 22 个月学习计划(AI 伦理与安全 + 前沿动态跟进),梳理学习重点(30 分钟)
第 22 个月:AI 伦理与安全 + 前沿动态跟进
核心目标:掌握 AI 伦理与安全的核心知识,能识别并规避 AI 项目中的伦理与安全风险,持续跟进 2027 年 AI 前沿动态,实现技术更新与创新。
- 第 1 周:AI 伦理基础(规范与准则)
- 周一 - 周二:学习 AI 伦理的核心概念(公平性、透明性、隐私保护、责任界定),了解全球 AI 伦理规范与行业准则(1.5 小时/天)
- 周三 - 周四:分析 AI 伦理相关案例(如算法偏见、隐私泄露、AI 滥用),理解伦理风险的危害与规避方法(1.5 小时/天)
- 周五:学习 AI 伦理在行业项目中的应用,掌握伦理风险的识别与评估方法(1.5 小时)
- 周六:综合练习,针对之前的行业项目,进行伦理风险评估,制定规避方案(2 小时)
- 周日:复习本周内容,整理 AI 伦理核心规范与风险规避笔记(1 小时)
- 第 2 周:AI 安全技术(防护与风控)
- 周一 - 周二:学习 AI 安全的核心风险(模型攻击、数据泄露、adversarial examples),了解 AI 安全的防护体系(1.5 小时/天)
- 周三 - 周四:学习 AI 安全防护技术(模型加密、数据脱敏、对抗样本检测、访问控制),掌握基础的防护方法(1.5 小时/天)
- 周五:学习行业级 AI 安全标准与规范,了解安全合规的核心要求(如数据安全法、AI 安全指南)(1.5 小时)
- 周六:综合练习,为之前的项目添加安全防护模块(如数据脱敏、模型加密),完成安全测试(2 小时)
- 周日:复习本周内容,整理 AI 安全防护技术与合规要求笔记,优化安全防护方案(1 小时)
- 第 3 周:AI 前沿动态跟进(2027 年)
- 周一 - 周二:关注 2027 年 AI 前沿动态(如大模型迭代、多模态技术突破、Agent 系统创新),阅读行业顶级会议论文(NeurIPS、ICML)摘要(1.5 小时/天)
- 周三 - 周四:学习前沿技术的核心原理(如新一代大模型架构、高效微调方法、具身智能新突破),分析技术应用前景(1.5 小时/天)
- 周五:关注行业龙头企业(字节跳动、OpenAI、阿里云)的技术动态,了解前沿技术的落地案例(1.5 小时)
- 周六:综合练习,尝试将一项前沿技术(如新一代微调方法)应用到之前的项目中,测试技术效果(2 小时)
- 周日:复习本周内容,整理前沿技术笔记,梳理技术创新方向(1 小时)
- 第 4 周:伦理安全实战 + 前沿技术适配 + 本月复盘
- 周一 - 周二:完善项目的伦理与安全防护体系,完成伦理安全合规测试,确保项目符合行业规范(2 小时/天)
- 周三 - 周四:将前沿技术应用到项目中,实现技术创新与优化,提升项目性能与竞争力(1.5 小时/天)
- 周五:梳理 AI 伦理安全与前沿技术的核心要点,总结技术适配与创新的技巧(1.5 小时)
- 周六:本月复盘,完成伦理安全实战与前沿技术适配,编写总结报告,整理核心知识点(2 小时)
- 周日:休息,规划第 23 个月学习计划(企业级项目主导实战),梳理学习重点(30 分钟)
第 23 个月:企业级 AI 项目主导实战
核心目标:独立主导一个完整的企业级 AI 项目,从需求分析、方案设计、开发实施到测试验收、运维迭代,实现项目全流程落地,积累企业级项目经验。
- 第 1 周:项目立项与需求落地
- 周一 - 周二:明确企业级项目需求(模拟企业真实场景,如工业级多模态质检系统、金融智能风控平台),完成需求调研与分析,撰写需求文档(2 小时/天)
- 周三 - 周四:制定项目整体方案,明确技术选型、架构设计、进度计划、资源分配与风险预案,撰写完整技术方案(2 小时/天)
- 周五:组织项目启动会议(模拟),明确项目目标、分工与时间节点,同步方案细节(1.5 小时)
- 周六:梳理项目开发流程,搭建项目基础框架,完成环境配置与团队分工(2 小时)
- 周日:复习项目管理与方案撰写知识,完善项目方案与计划(1 小时)
- 第 2 周:核心模块开发与进度管控
- 周一 - 周二:主导核心模块开发(如多模态感知模块、大模型 Agent 模块、知识图谱模块),分配开发任务,跟踪开发进度(2 小时/天)
- 周三 - 周四:解决开发过程中的技术难点,协调团队协作,处理项目风险,确保进度符合计划(2 小时/天)
- 周五:开展代码评审,优化代码质量,规范代码编写,确保模块功能符合需求(1.5 小时)
- 周六:测试核心模块功能,排查问题并优化,完成核心模块的阶段性验收(2 小时)
- 周日:复盘本周开发进度,调整下周计划,解决出现的问题(1 小时)
- 第 3 周:系统集成与整体测试
- 周一 - 周二:主导项目各模块集成,解决模块间接口衔接问题,实现系统整体功能联动(2 小时/天)
- 周三 - 周四:开展系统整体测试(功能测试、性能测试、安全测试、伦理合规测试),排查系统漏洞与问题(2 小时/天)
- 周五:优化系统性能,解决测试中发现的问题,提升系统稳定性、响应速度与安全性(1.5 小时)
- 周六:进行系统验收测试(模拟企业验收流程),准备验收文档与演示案例,确保项目符合验收标准(2 小时)
- 周日:复习系统集成与测试知识,完善测试报告,准备验收工作(1 小时)
- 第 4 周:项目验收与运维规划 + 本月复盘
- 周一 - 周二:完成项目验收(模拟),汇报项目成果,解答验收疑问,修改验收中提出的问题(2 小时/天)
- 周三 - 周四:完善项目各类文档(验收文档、运维文档、用户手册),制定项目运维计划与迭代方案(1.5 小时/天)
- 周五:梳理项目主导过程中的经验与问题,总结项目管理、技术实现、团队协作的核心技巧(1.5 小时)
- 周六:本月复盘,完成企业级项目主导实战,编写项目总结报告,整理项目实战经验(2 小时)
- 周日:休息,规划第 24 个月学习计划(技术沉淀与职业规划),梳理学习重点(30 分钟)
第 24 个月:技术沉淀与职业规划
核心目标:整合第四阶段所学知识,形成个人技术体系,发表技术成果,明确职业发展方向,为成为 AI 领域复合型人才奠定基础。
- 第 1 周:个人技术体系梳理
- 周一 - 周二:梳理第四阶段(第 16-23 个月)核心知识点,整合产业实践、前沿技术、项目管理等内容,形成个人技术体系框架(1.5 小时/天)
- 周三 - 周四:整理学习笔记、实战项目、技术方案,分类归档,完善个人技术知识库(1.5 小时/天)
- 周五:总结个人技术优势与不足,明确后续技术提升方向(1.5 小时)
- 周六:绘制个人技术体系思维导图,梳理技术关联与应用场景,形成完整的技术认知(2 小时)
- 周日:复习本周内容,完善技术体系,明确后续学习重点(1 小时)
- 第 2 周:技术成果输出(博客/分享)
- 周一 - 周二:选定 1-2 个核心技术方向(如多模态融合、Agent 开发、行业 AI 应用),撰写技术博客,分享学习经验与实战技巧(2 小时/天)
- 周三 - 周四:优化技术博客内容,补充实战案例与代码解析,确保内容专业、易懂,适配技术分享场景(1.5 小时/天)
- 周五:学习技术分享技巧,准备技术分享课件(PPT),梳理分享逻辑与重点(1.5 小时)
- 周六:模拟技术分享,演练分享流程,优化表达逻辑,确保分享效果(2 小时)
- 周日:发布技术博客,完善分享课件,总结技术成果输出的经验(1 小时)
- 第 3 周:前沿技术深入与创新尝试
- 周一 - 周二:选定一个前沿技术方向(如新一代大模型、具身智能进阶),深入学习核心原理与实现方法,开展创新尝试(1.5 小时/天)
- 周三 - 周四:基于前沿技术,设计一个小型创新项目(如新型 Agent 交互模式、多模态融合优化方案),完成核心功能开发(1.5 小时/天)
- 周五:测试创新项目效果,分析创新点与不足,优化项目功能(1.5 小时)
- 周六:整理创新项目成果,撰写创新报告,梳理技术创新的思路与方法(2 小时)
- 周日:复习本周内容,完善创新项目,总结技术创新的核心要点(1 小时)
- 第 4 周:职业规划与第四阶段复盘
- 周一 - 周二:分析 AI 行业职业发展方向(如算法工程师、AI 项目经理、行业 AI 专家),结合个人技术优势,明确职业定位(1.5 小时/天)
- 周三 - 周四:制定短期(1 年)与长期(3-5 年)职业发展计划,明确职业提升目标与实施步骤(1.5 小时/天)
- 周五:全面复盘第四阶段(第 16-24 个月)学习内容,总结产业实践、前沿技术、项目管理的核心经验,分析学习不足(1.5 小时)
- 周六:完成第四阶段复盘报告,整合整个 AI 学习路线(第 1-24 个月)的核心知识点,形成完整的学习总结(2 小时)
- 周日:休息,调整状态,按照职业规划,准备后续技术提升与职业发展(30 分钟)
五、进阶学习建议
- 产业优先:聚焦 1-2 个行业深耕,避免多行业泛泛而学,实现'技术 + 行业'的深度融合,打造个人核心竞争力。
- 创新落地:前沿技术学习需结合实战,避免'只学不用',尝试将前沿技术应用到项目中,实现技术创新与落地转化。
- 综合提升:不仅关注技术能力,更要重视项目管理、沟通协作、文档撰写能力,适配企业级项目主导需求。
- 持续迭代:AI 技术更新速度快,需保持学习热情,持续跟进前沿动态,定期梳理个人技术体系,实现能力迭代升级。
- 伦理合规:在项目开发过程中,始终重视 AI 伦理与安全,确保项目符合行业规范与法律法规,规避伦理与安全风险。
微信扫一扫,关注极客日志
微信公众号「极客日志」,在微信中扫描左侧二维码关注。展示文案:极客日志 zeeklog
相关免费在线工具
- 加密/解密文本
使用加密算法(如AES、TripleDES、Rabbit或RC4)加密和解密文本明文。 在线工具,加密/解密文本在线工具,online
- RSA密钥对生成器
生成新的随机RSA私钥和公钥pem证书。 在线工具,RSA密钥对生成器在线工具,online
- Mermaid 预览与可视化编辑
基于 Mermaid.js 实时预览流程图、时序图等图表,支持源码编辑与即时渲染。 在线工具,Mermaid 预览与可视化编辑在线工具,online
- curl 转代码
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具,curl 转代码在线工具,online
- Base64 字符串编码/解码
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具,Base64 字符串编码/解码在线工具,online
- Base64 文件转换器
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具,Base64 文件转换器在线工具,online