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
…
前排提示，文末有大模型AGI-CSDN独家资料包哦！
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：
-
以
Kaggle和阿里天池等竞赛网站为起点； -
将报告在微信公众号、知乎、掘金等平台展示结果；
-
在 Github 上托管个人博客；
读者福利：如果大家对大模型感兴趣，这套大模型学习资料一定对你有用
对于0基础小白入门：
如果你是零基础小白，想快速入门大模型是可以考虑的。
一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
👉AI大模型学习路线汇总👈
大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉大模型实战案例👈
光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
👉大模型视频和PDF合集👈
观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；
• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
1114
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
