Wiki Notes

Appearance

AI 学习计划 ​

版本：v1.1

最后更新：2026-07-07

适用对象：零基础转 AI、程序员转 AI 应用开发、希望系统补课的自学者

1. 学习目标 ​

这份计划的核心目标不是“看完很多课”，而是按顺序完成 4 件事：

  1. 理解 AI/机器学习/大模型的基础概念。
  2. 能独立用 Python 和主流库完成实验与小项目。
  3. 能做出至少 2 个可演示的 AI 项目。
  4. 能形成自己的作品集、学习笔记和后续深挖方向。

建议把学习结果分成 4 个层级：

  • 第 1 层：能看懂概念，知道常见名词在说什么。
  • 第 2 层：能跟着教程复现代码和实验。
  • 第 3 层：能独立完成小型项目。
  • 第 4 层：能把模型能力做成可交付应用。

2. 先选你的目标路径 ​

不同目标，学习重心不同。开始前先决定主路径。

路径 A：AI 应用工程师 ​

适合人群：

  • 想尽快做出 AI 产品、工作流、Agent、知识库问答、企业应用
  • 有一定编程基础，希望尽快进入实战

重点放在：

  • Python
  • API 调用
  • Prompt 设计
  • RAG
  • 向量数据库
  • FastAPI / 部署 / Docker
  • 评测与工程化

路径 B：机器学习 / 深度学习工程师 ​

适合人群：

  • 希望做模型训练、传统 ML、深度学习项目
  • 想打扎实的算法与实验基础

重点放在：

  • 数学基础
  • scikit-learn
  • PyTorch
  • 数据处理
  • 模型训练与调参
  • 实验记录

路径 C：研究导向 ​

适合人群：

  • 想做论文阅读、论文复现、模型原理深入
  • 未来考虑研究型岗位或继续读研

重点放在：

  • 线性代数
  • 概率统计
  • 优化方法
  • Transformer 原理
  • 论文阅读
  • 复现与实验设计

如果你暂时不确定，就先按“路径 A + 路径 B 的交集”学习。这是最稳妥的通用路线。

3. 总体节奏 ​

推荐使用 24 周 主计划。

  • 轻量节奏：每周 6-8 小时
  • 标准节奏：每周 10-15 小时
  • 高强度节奏：每周 18-25 小时

时间不够时，不要删掉项目，优先减少“看课”时间。

最推荐的学习分配：

  • 30% 理论
  • 50% 代码与实验
  • 20% 总结与复盘

4. 学习前准备 ​

开始前先完成以下环境准备：

  • 安装 Python 3.11+
  • 安装 VS Code
  • 安装 Git
  • 安装 Jupyter 或使用 JupyterLab
  • 注册 GitHub
  • 注册 Kaggle
  • 了解如何创建并使用虚拟环境

建议你在本地建立如下目录结构：

text
AI-Learning/
├─ notes/
├─ notebooks/
├─ projects/
├─ datasets/
└─ weekly-review/

5. 24 周完整学习路线 ​

第 1 阶段：基础搭建（第 1-4 周） ​

目标：把编程、数据处理、数学直觉和学习环境搭起来。

第 1 周：Python 基础 ​

学习内容：

  • 变量、函数、循环、条件、列表、字典、类的基础概念
  • 文件读写
  • 异常处理
  • 常用标准库

本周产出：

  • 完成 3-5 个基础练习
  • 写一个 Python 基础语法笔记

验收标准：

  • 能独立写出简单脚本
  • 能读懂基础教程代码

第 2 周：数据分析基础 ​

学习内容：

  • NumPy
  • pandas
  • 数据清洗
  • 数据可视化基础

本周产出：

  • 完成一个数据清洗 notebook
  • 用 matplotlib 或 seaborn 做 3 张图

验收标准：

  • 能加载 CSV
  • 能做缺失值处理、筛选、聚合、排序

第 3 周：线性代数直觉 ​

学习内容：

  • 向量、矩阵、线性变换
  • 点积、矩阵乘法
  • 特征值的直觉

本周产出：

  • 用自己的话写一份 线性代数直觉总结

验收标准：

  • 能解释矩阵为什么能表示变换
  • 能理解神经网络中的“线性层”在做什么

第 4 周：概率统计与导数直觉 ​

学习内容：

  • 概率、条件概率、期望、方差
  • 常见分布的用途
  • 导数、梯度、损失函数的直觉

本周产出：

  • 1 份 概率统计 + 梯度下降 笔记

验收标准：

  • 能解释为什么训练模型要最小化损失
  • 知道过拟合和泛化在统计上意味着什么

第 2 阶段：机器学习基础（第 5-8 周） ​

目标：建立机器学习完整工作流。

第 5 周：机器学习入门 ​

学习内容：

  • 监督学习 vs 无监督学习
  • 训练集、验证集、测试集
  • 回归与分类问题

本周产出：

  • 完成一个简单回归任务

验收标准：

  • 能描述基本 ML 流程

第 6 周：常见模型 ​

学习内容：

  • 线性回归
  • 逻辑回归
  • 决策树
  • 随机森林
  • 梯度提升树

本周产出：

  • 完成一个分类任务

验收标准：

  • 知道不同模型的适用场景和优缺点

第 7 周：评估与调参 ​

学习内容：

  • Accuracy、Precision、Recall、F1、AUC
  • 交叉验证
  • 特征工程
  • 数据泄漏
  • 过拟合与正则化

本周产出：

  • 为第 6 周项目补齐评估报告

验收标准：

  • 能解释为什么准确率高不一定代表模型好

第 8 周：机器学习小项目 1 ​

项目建议：

  • 房价预测
  • 用户流失预测
  • 信贷风险预测
  • 垃圾邮件分类

本周产出：

  • 1 个完整项目
  • 包含 README、训练过程、结果分析

验收标准：

  • 能向别人讲清楚数据、方法、结果和问题

第 3 阶段：深度学习入门（第 9-12 周） ​

目标：理解神经网络训练过程，并能用 PyTorch 完成基本任务。

第 9 周：神经网络基础 ​

学习内容：

  • 感知机
  • 多层神经网络
  • 激活函数
  • 损失函数
  • 反向传播的作用

本周产出：

  • 手写一份神经网络训练流程图

验收标准：

  • 能解释“前向传播”和“反向传播”

第 10 周：PyTorch 入门 ​

学习内容：

  • Tensor
  • Dataset / DataLoader
  • 模型定义
  • 优化器
  • 训练循环

本周产出：

  • 训练一个简单的全连接网络

验收标准：

  • 能独立写出训练与验证代码

第 11 周：图像任务 ​

学习内容：

  • CNN 基础
  • 图像分类流程
  • 常见训练技巧

本周产出：

  • 完成一个图像分类 notebook

验收标准：

  • 能解释卷积层为什么适合图像任务

第 12 周：深度学习小项目 2 ​

项目建议：

  • MNIST / FashionMNIST 分类
  • CIFAR-10 图像分类
  • IMDB 文本情感分类

本周产出：

  • 1 个完整深度学习项目

验收标准：

  • 项目代码结构清晰
  • 能记录 loss、accuracy、关键超参数

第 4 阶段：大模型与生成式 AI（第 13-16 周） ​

目标：进入当前最有实战价值的 AI 能力栈。

第 13 周：LLM 基础概念 ​

学习内容：

  • Token
  • Embedding
  • Attention
  • Transformer 的基本思想
  • 预训练、微调、推理

本周产出：

  • 1 份 LLM 核心概念总结

验收标准：

  • 能解释为什么 Transformer 适合处理序列

第 14 周：Prompt 设计与 API 调用 ​

学习内容：

  • Prompt 结构化写法
  • Few-shot
  • 输出约束
  • JSON 输出
  • 基本 API 调用

本周产出：

  • 调用至少 2 个真实 API 示例
  • 写一个 prompt 模板集合

验收标准：

  • 能稳定拿到结构化输出

第 15 周：RAG 基础 ​

学习内容：

  • 文档切分
  • Embedding
  • 向量检索
  • 检索增强生成
  • 幻觉与引用

本周产出：

  • 做一个本地文档问答 Demo

验收标准：

  • 能解释为什么 RAG 比“直接把文档塞进提示词”更可扩展

第 16 周：Agent / Workflow 基础 ​

学习内容：

  • Tool use
  • 工作流拆分
  • 规划、执行、评测
  • 简单多步骤自动化

本周产出：

  • 一个带工具调用或流程编排的小应用

验收标准：

  • 能把任务拆成多个步骤执行

第 5 阶段：AI 工程化（第 17-20 周） ​

目标：把“模型实验”做成“可用应用”。

第 17 周：后端接口 ​

学习内容：

  • FastAPI 或 Flask
  • REST API
  • 请求参数校验
  • 异常处理

本周产出：

  • 写出一个 AI 服务 API

第 18 周：部署与容器化 ​

学习内容：

  • Docker 基础
  • 环境变量
  • 依赖管理
  • 服务启动与日志

本周产出：

  • 把一个项目容器化

第 19 周：评测与可观测性 ​

学习内容：

  • Prompt/模型评测
  • 结果抽样检查
  • 失败案例收集
  • 成本、延迟、质量的平衡

本周产出：

  • 一份应用评测报告

第 20 周：AI 应用项目 3 ​

项目建议：

  • 企业知识库问答
  • 简历优化助手
  • 内容总结与改写工具
  • 代码解释 / 代码审查助手
  • 客服 FAQ 自动回复系统

本周产出：

  • 1 个可演示 AI 应用
  • 最好具备网页界面或 API 文档

第 6 阶段：作品集与专项深入（第 21-24 周） ​

目标：沉淀成果，形成后续竞争力。

第 21 周：项目整理 ​

要做的事：

  • 整理 GitHub 仓库
  • 补 README
  • 补安装步骤
  • 补效果截图
  • 补项目复盘

第 22 周：专项方向选择 ​

可选专项：

  • NLP / 大模型应用
  • 计算机视觉
  • 推荐系统
  • 多模态
  • Agent / 自动化系统
  • MLOps

第 23 周：专项项目 4 ​

做 1 个更贴近目标岗位的项目。

建议标准：

  • 有真实输入输出
  • 有清晰问题定义
  • 有效果评估
  • 有局限性说明

第 24 周：复盘与求职/进阶规划 ​

输出内容：

  • 学习总结
  • 项目清单
  • 技术栈清单
  • 下一阶段路线图

如果你是求职导向，这一周要开始做：

  • 简历项目描述
  • GitHub 主页整理
  • 项目演示文档
  • 面试题回顾

6. 每周执行模板 ​

每周建议使用固定模板推进：

周一到周五 ​

  • 每天 1-1.5 小时
  • 30 分钟看课
  • 45 分钟动手写代码
  • 15 分钟记笔记

周末 ​

  • 3-4 小时 项目时间
  • 1 小时 复盘

每周复盘问题 ​

每周都回答以下问题：

  1. 这周我真正掌握了什么？
  2. 哪些内容我只是“看懂了”，但还不会用？
  3. 本周项目里最容易出错的点是什么？
  4. 下周最重要的一件事是什么？

7. 推荐项目清单 ​

建议按从易到难顺序完成：

  1. 数据分析项目
    • 公开数据集探索、清洗、可视化
  2. 传统机器学习项目
    • 房价预测 / 分类任务
  3. 深度学习项目
    • 图像分类 / 文本分类
  4. RAG 项目
    • 本地文档问答 / 知识库助手
  5. AI 应用项目
    • 前后端完整应用或 API 服务

理想作品集至少包含：

  • 2 个 notebook 型项目
  • 2 个完整工程型项目

8. 你需要掌握的工具栈 ​

基础工具：

  • Python
  • Git / GitHub
  • Jupyter
  • VS Code

数据与机器学习：

  • NumPy
  • pandas
  • matplotlib
  • scikit-learn

深度学习：

  • PyTorch

大模型应用：

  • OpenAI API 或其他模型 API
  • transformers
  • datasets
  • 向量数据库或轻量检索方案

工程化：

  • FastAPI
  • Docker
  • .env / 配置管理
  • 日志与评测

9. 推荐学习资源 ​

以下资源在 2026-07-01 检查时仍可访问，优先采用官方或一手资源。

Python / 数据分析 ​

数学基础 ​

机器学习 ​

深度学习 ​

大模型 / 生成式 AI ​

大模型应用官方入门链路（2026 版） ​

如果你的目标是先做出一个真正能跑的 LLM 应用，而不是先把论文和框架看一圈，建议按下面顺序读官方资料：

  1. 先看 OpenAI Developer Quickstart，把一次最小调用、环境变量和返回结构跑通。
  2. 接着看 OpenAI Text generation，理解“输入消息是什么、输出是什么、模型到底收到什么”。
  3. 然后读 OpenAI Prompt engineering 和 Prompt guidance，建立任务边界、输出格式、示例设计这些最常用能力。
  4. 再读 Counting tokens、Prompt caching、Conversation state，把上下文长度、成本、缓存命中和多轮状态当成设计约束，而不是部署以后才发现的问题。
  5. 接着补 Anthropic Prompt engineering overview 和 Tool use overview，对照理解不同模型平台对 Prompt 和工具调用的共同要求。
  6. 最后用 Hugging Face LLM Course 与 Agents Course 回补开源生态、模型接口和 Agent 基本模式。

这条链路最适合基础阶段，因为它把“先跑通一个应用”放在“先理解所有概念”前面，但又不会把成本、状态管理和工具边界这些后面必踩的坑留到上线之后。

AI 工程化 ​

10. 不同基础的使用建议 ​

零基础学习者 ​

建议做法：

  • 前 4 周放慢速度
  • 优先学 Python 和数据分析
  • 数学只求“够用 + 有直觉”
  • 第一个项目不求复杂，先完成最重要

有编程基础但没有 AI 基础 ​

建议做法：

  • 可以压缩前 2 周
  • 更快进入 scikit-learn 和 PyTorch
  • 把更多时间留给项目和 LLM 应用

有机器学习基础，想转大模型应用 ​

建议做法：

  • 第 1-3 阶段快速复盘
  • 重心放在第 4-6 阶段
  • 强化 RAG、评测、部署、Agent、成本控制

11. 常见误区 ​

  • 只看课程，不做项目。
  • 只会调用 API，不会评估结果质量。
  • 过早执着于论文细节，迟迟不做可运行应用。
  • 数学准备无限延后，导致迟迟不进入实战。
  • 项目没有 README、没有截图、没有复盘，最后难以沉淀为作品集。

12. 学习成果验收标准 ​

完成这份计划后，你至少应该达到以下状态：

基础能力 ​

  • 能用 Python 处理数据并完成基础分析
  • 能训练并评估传统 ML 模型
  • 能使用 PyTorch 跑通一个基础深度学习任务

大模型能力 ​

  • 能调用主流模型 API
  • 能写结构化 Prompt
  • 能搭一个简单 RAG 系统
  • 能设计基本评测方法

工程能力 ​

  • 能把项目封装成 API
  • 能用 Docker 管理运行环境
  • 能把项目整理成可展示作品

13. 最终产出清单 ​

建议把以下内容作为这 24 周的硬性输出：

  • 1 份 AI 学习总笔记
  • 4 份 阶段复盘
  • 2 个 notebook 项目
  • 2 个 完整工程项目
  • 1 个 GitHub 作品集主页
  • 1 份 求职/进阶路线图

14. 一个现实可执行的日常模板 ​

如果你是上班族，可以按这个节奏：

工作日模板 ​

  • 30 分钟 看课
  • 45 分钟 写代码
  • 15 分钟 记录问题和总结

周末模板 ​

  • 2-3 小时 做项目
  • 1 小时 修正本周理解偏差
  • 1 小时 整理笔记和 GitHub

持续 24 周，效果通常比“偶尔猛学一天”更好。

15. 下一步建议 ​

如果你现在就准备开始，建议按以下顺序行动：

  1. 完成 Python、Git、Jupyter、Kaggle 的环境准备。
  2. 建立自己的学习目录和 GitHub 仓库。
  3. 立即开始第 1 周内容，不要等“资源收齐”再开始。
  4. 每周至少产出 1 份笔记或 1 个 notebook。
  5. 从第 8 周开始，把所有项目都按作品集标准整理。

前 30 天最小闭环 ​

如果你不想一开始就背完整个 24 周计划，也可以先跑一个 30 天最小闭环：

  • 第 1 周：装好 Python、Git、VS Code、Jupyter，完成 3 个基础脚本和 1 份环境搭建笔记。
  • 第 2 周：用 pandas 处理一份公开数据，至少做 1 次清洗、1 次统计和 1 张图表。
  • 第 3 周：跑通一个传统机器学习小任务，重点理解训练集、验证集、指标和误差来源。
  • 第 4 周：调用一次大模型 API，做出一个带 Prompt、日志和结果保存的最小 Demo。

这个 30 天闭环 的目标不是“已经学会 AI”，而是先把环境、代码、数据、模型调用和结果复盘串成一条完整链路。只要这一步跑通，后面继续学 Transformer、Prompt、RAG、Agent 时就不容易一直停留在概念层。

基础阶段何时切到下一个专题 ​

你不需要等“全部学完”再进入别的目录。通常满足下面条件，就可以开始切专题：

  • 能解释 token、上下文窗口、Prompt、检索、工具调用分别在系统里扮演什么角色。
  • 能独立跑通一次模型调用，并记录输入、输出、成本或 token 使用情况。
  • 能判断一个问题更像是 Prompt 问题、检索问题、模型能力问题 还是 工程接线问题。

满足这些条件后，可以按目标切换：

16. 资源核验说明 ​

本计划中的重点学习资源，已在 2026-07-07 进行可访问性检查，主要来自以下官方站点：

  • DeepLearning.AI
  • fast.ai
  • Hugging Face
  • PyTorch 官方文档
  • OpenAI Developer Docs
  • Anthropic Docs
  • MIT OpenCourseWare
  • Kaggle Learn
  • Docker Docs
  • Full Stack Deep Learning

后续如果你要继续维护这份知识库，建议每 2-3 个月检查一次课程链接和课程结构是否更新。