AI 学习路线规划
本规划为从零基础到进阶的完整 AI 学习路线，建议按阶段循序渐进学习。
生成日期：2026年03月14日
第一阶段：Python编程基础（4-6周）
目标：打好编程底子，能独立写脚本
周次 | 内容 | 学习资源 |
1-2 | Python基础语法、数据类型、控制流 | 《Python编程：从入门到实践》 |
3-4 | 函数、面向对象、文件操作、异常处理 | 官方文档 + 练习项目 |
5-6 | 常用库：NumPy、Pandas、Matplotlib | Kaggle Learn、B站教程 |
实践项目：
- • 数据分析：分析CSV销售数据，生成报表
- • 小游戏：猜数字、2048
第二阶段：数学与算法基础（3-4周）
目标：理解AI背后的数学原理
主题 | 重点内容 | 学习建议 |
线性代数 | 矩阵运算、向量空间 | 3Blue1Brown视频（可视化） |
概率统计 | 条件概率、分布、假设检验 | 可汗学院 |
微积分 | 导数、梯度、链式法则 | 了解即可，不用深入证明 |
机器学习算法 | 线性回归、决策树、KNN | 吴恩达《机器学习》课程 |
推荐资源：
- • 吴恩达 Coursera《Machine Learning》（中文字幕）
- • 《统计学习方法》李航（经典中文书）
第三阶段：机器学习实战（6-8周）
目标：能独立完成ML项目
核心技能：
- 监督学习：分类、回归
- 无监督学习：聚类、降维
- 模型评估：准确率、召回率、F1、交叉验证
- 特征工程：数据清洗、特征选择
推荐框架学习顺序：
- Scikit-learn（必学，传统ML）
- XGBoost/LightGBM（竞赛神器）
- TensorFlow 或 PyTorch（选其一）
实践项目：
- • 房价预测（回归）
- • 手写数字识别（分类）
- • 客户分群（聚类）
第四阶段：深度学习（8-10周）
目标：理解神经网络，能调模型
模块 | 内容 | 实践 |
神经网络基础 | 感知机、激活函数、反向传播 | 用PyTorch实现MLP |
CNN卷积网络 | 图像分类、目标检测 | 训练猫狗分类器 |
RNN/LSTM | 序列建模、文本生成 | 古诗生成器 |
Transformer | Attention机制、BERT | 情感分析模型 |
推荐资源：
- • 吴恩达《深度学习》专项课程
- • PyTorch官方教程（60分钟入门）
- • 《动手学深度学习》（李沐，免费）
第五阶段：大模型与生成式AI
目标：掌握LLM应用开发
5.1 大模型基础（2周）
- 理解原理：Transformer架构、预训练+微调、RLHF
学习资源：
- • 《大模型时代》陈云霁
- • 李宏毅《生成式AI》课程
- • paper：《Attention Is All You Need》
5.2 RAG技术（2-3周）
深入方向：
- • 向量数据库：Chroma、Milvus、Pinecone
- • 嵌入模型：OpenAI Embedding、M3E（中文）
- • 检索策略：Hybrid Search、重排序
- • 框架：LangChain、LlamaIndex
实践项目：搭建个人知识库问答系统
5.3 Agent开发（2-3周）
- 核心概念：ReAct、CoT、Tools使用
- 框架：LangChain Agent、AutoGPT、Dify
- 实战：开发能查天气、写代码的Agent
5.4 模型微调（可选，进阶）
- PEFT方法：LoRA、QLoRA、Prompt Tuning
- 工具：Hugging Face Transformers、PEFT库
- 硬件：至少需要16GB显存（或Colab Pro）
第六阶段：工程化与就业
目标：能落地AI产品，找工作
方向 | 技能要求 |
AI应用开发 | FastAPI、Docker、云服务部署(AWS/阿里云) |
MLOps | 模型版本管理、监控、A/B测试 |
数据工程 | ETL pipeline、特征平台、数据标注 |
特定领域 | CV(计算机视觉)/NLP(自然语言)/推荐系统 |
学习资源汇总
视频课程
课程 | 讲师 | 平台 |
《机器学习》 | 吴恩达 | Coursera/网易云课堂 |
《深度学习》 | 吴恩达 | Coursera |
《动手学深度学习》 | 李沐 | B站（免费） |
《生成式AI导论》 | 李宏毅 | B站（免费） |
《大模型技术》 | 智源研究院 | B站（免费） |
推荐书籍
- 1. 《Python数据科学手册》
- 2. 《深度学习》（花书，Ian Goodfellow）
- 3. 《机器学习实战：基于Scikit-Learn和TensorFlow》
- 4. 《大模型应用开发极简入门》（LangChain）
实践平台
- • Kaggle：数据集、竞赛、Notebook
- • Google Colab：免费GPU（T4）
- • Hugging Face：模型库、教程、Spaces
- • 阿里天池：中文数据集和竞赛
时间规划建议
全职学习（每天6-8小时）：6-8个月达到初级水平
兼职学习（每天2-3小时）：12-18个月
建议：
- 1. 不要贪多，一个阶段完成再进入下一阶段
- 2. 70%时间动手实践，30%时间看理论
- 3. 做项目 > 做笔记 > 看视频
- 4. 加入社区：GitHub、知乎、PaperWeekly
你可以立即开始的第一步
- 1. 完成一个小项目：用Python + Pandas分析你感兴趣的任意数据集
- 2. 跑通第一个ML代码：
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
# 加载数据 → 训练 → 预测
# 全程只需10行代码！
- 3. 体验大模型API：注册智谱/OpenAI，用Python调API做一个问答小应用
—— 文档由 Cursor AI 助手生成 ——
