人工智能学习路线
1、学习路径图
2、阶段 1：端到端的机器学习
3、阶段 2：深度学习
4、阶段 3：生成式人工智能
5、阶段 4：模型部署
6、补充知识
— 6.1、集成学习
— 6.2、领域专业知识
7、创建投资组合
…
1、学习路径图
2、阶段 1：端到端的机器学习
以学习完整的建模过程为主要目标，以了解常用机器算法（优缺点，原理，步骤，应用）和学习建模工具（
Sklearn\scikit-learn）为次要目标，快速熟悉端到端的建模过程。
实践多个案例，熟悉端到端的建模过程，主要内容参考如下：
-
了解人工智能，机器学习，深度学习，统计机器学习等相关概念；
-
学习常用算法原理。了解算法优缺点，原理，步骤，应用即可，不必过多关注数学公式；
-
学习建模分步过程。如：
CRISP-DM； -
学习建模工具。如：
scikit-learn； -
在小数据集上练习。如：
UCI数据集； -
将模型打包或序列化后的结果部署为
Flask API或Streamlit\Gradio应用；
补充内容：
-
了解自动化机器学习工具。
-
了解处理大数据集的 python 库。
推荐阅读：
- 《深度学习：从基础到实践》 （上册）- [美] Andrew Glassner
3、阶段 2：深度学习
深度学习，主要内容参考如下：
-
了解深度学习相关概念；
-
学习深度学习常用算法及深度学习方法体系（
CNN，RNN，LSTM，Transformer，等）； -
学习深度学习框架\工具（
keras，PyTorch，Tensorflow，FastAI）； -
学习自然语言处理，计算机视觉；
-
在 KAggle，阿里天池上练习；
补充内容：
机器学习算法深度解析，需要一定数学基础（线性代数，微积分，概率论与数理统计）。
从头开始理解机器学习算法将帮助您为任务选择正确的算法，解释结果，解决高级问题，将算法扩展到新应用程序，并提高现有算法的性能。
-
深度解析机器学习算法；
-
学习深度学习自制框架：
DeZero； -
学习框架\工具源码；
推荐阅读：
-
《深度学习：从基础到实践》 （下册）- [美] Andrew Glassner
-
《深度学习入门基于Python的理论与实现》 - [日] 斋藤康毅
-
《深度学习入门2自制框架》 - [日] 斋藤康毅
-
《深度学习进阶：自然语言处理》 - [日] 斋藤康毅
-
《深度学习入门4：强化学习》 - [日] 斋藤康毅
-
《achine Learning Algorithms in Depth》 - VADIM SMOLYAKOV
-
《统计学习方法》 (第2版) - 李航
-
《机器学习》（西瓜书）- 周志华
4、阶段 3：生成式人工智能
深入研究高级人工智能主题，关注生成模型：
-
学习提示工程（专注于创建和改进提示）。如：
coze； -
NLP 的生成模型，LLM（大语言模型）；
-
计算机视觉的生成模型；
-
了解如何从头开始构建这些生成模型；
-
了解生成人工智能的最新趋势和研究；
推荐阅读：
-
2024 年学习生成式人工智能的最佳路线图 — analyticsvidhya
-
机器学习的最新进展带代码的论文 — paperswithcode
-
10 个学习法学硕士的免费资源 — kdnuggets
5、阶段 4：模型部署
MLOps，机器学习的部署和生命周期管理：
-
基础知识：
git\github\Linux\容器化\云，HF Spaces\Streamlit Sharing； -
部署方式：在线部署：批处理，实时（数据库触发器、发布/订阅、Web 服务、应用内）；离线部署（在本地开发环境、测试环境或内部离线环境中部署批处理，实时处理）；
-
主要内容：自动化管道，监控，生命周期管理，治理；
-
核心概念：持续集成与持续部署（CI/CD），版本控制，模型监控；
-
管理工具：
MLFlow，Polyaxon，Metaflow，Kubeflow；
推荐阅读：
-
成为 MLOps 工程师所需的唯一免费课程：MLOps Zoomcamp — kdnuggets
-
掌握 MLOps 的 10 个 GitHub 存储库 — kdnuggets
6、补充知识
6.1、集成学习
主要内容参考如下：
-
了解集成学习相关概念；
-
学习集成学习常用算法及集成学习方法体系（
Bagging，Boosting，Stacking，Blending，等）； -
学习集成学习 Python 库（
Scikit-learn，XGBoost，LightGBM，CatBoost）； -
练习\实践。如，小数据集
UCI数据集 或kaggle等； -
通过
Flask API或Streamlit\Gradio部署应用；
推荐阅读：
- 《集成学习：基础与算法》 - 周志华，李楠
6.2、领域专业知识
作为数据科学家，需要具备解决相关领域的问题，需要理解相关领域的专业知识
领域专业知识：
-
学习不同领域专业知识，如保险，信贷，物流，电商等；
-
通过研究竞赛平台多领域数据科学问题，获得 多样化的经验 培养 解决问题的技能；
-
可以通过收集的行业知识\信息，分析案例，创建行业知识库；
7、创建投资组合
选择与众不同的新颖项目创建投资组合：
作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取
2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享
一、全套AGI大模型学习路线
AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取
2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享
二、640套AI大模型报告合集
这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取
2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取
2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享
四、AI大模型商业化落地方案
因篇幅有限，仅展示部分资料，需要点击下方链接即可前往获取
2025最新版CSDN大礼包：《AGI大模型学习资源包》免费分享
作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。
1367
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
