AI 入门:从零开始的完整路线图 🤖
欢迎入坑!AI 看着玄乎,其实拆开来就那么几块。下面这份路线图帮你避开"收藏从未停止、学习从未开始"的坑。
一、先搞清楚:AI 到底在学什么? 🗺️
人工智能 (AI)
└── 机器学习 (ML) ← 让机器从数据里找规律└── 深度学习 (DL) ← 用多层神经网络找更复杂的规律├── CNN → 看图(图像识别)├── RNN/Transformer → 读文字(NLP)└── GAN/扩散模型 → 造图造视频(AIGC) ← 你现在聊天的这个我就在这入门建议:不用从 1956 年达特茅斯会议开始背历史。直接从 "能跑起来一个模型" 入手,成就感是最好的燃料。
二、四步走路线(按优先级) 🪜
Step 1|Python + 数学直觉(1–2 周) 🐍
模块 | 学到什么程度就够 | 推荐资源 |
Python | 会写函数、用 list/dict、装包 | 《Python 编程:从入门到实践》前 10 章 |
NumPy | 会建数组、做矩阵乘法 | 官方 10 分钟速成 |
Pandas | 会读 CSV、筛选、groupby | Kaggle 的 Pandas 入门课(免费,2 小时) |
数学 | 线性代数:矩阵乘法/转置;微积分:链式法则;概率:均值方差/条件概率 | 3Blue1Brown《线性代数的本质》B 站有中字 ⭐强烈推荐 |
💡 数学不用先啃完再动手。边写代码边补,遇到「反向传播」再回头看链式法则,印象深 10 倍。
Step 2|经典机器学习(2–3 周) 🌲
先搞懂"非深度学习"的老祖宗们,它们是面试和直觉的地基:
- 监督学习:线性回归 → 逻辑回归 → 决策树 → 随机森林 → XGBoost
- 无监督学习:K-Means、PCA
- 核心概念:训练集/验证集/测试集、过拟合、交叉验证、评估指标(准确率/精确率/召回率/F1/AUC)
工具:scikit-learn(API 统一到令人感动,fit / predict 两板斧)
练手数据集(都在 sklearn 自带):
- 鸢尾花分类 → 分类入门
- 波士顿房价 → 回归入门
- 泰坦尼克号 → Kaggle 新手村 ⭐
Step 3|深度学习(3–4 周) 🧠
选一个框架先扎下去,别两个一起学:
框架 | 适合谁 | 一句话 |
PyTorch ⭐推荐 | 学术 / 想读论文 / 做 LLM | 写法像 Python,调试友好,现在论文标配 |
TensorFlow/Keras | 只想快速部署到生产 | API 高层封装多,工业界老项目多 |
必跑的 4 个 Demo(照着抄一遍再改一遍):
- MNIST 手写数字(全连接网络)→ 理解前向/反向传播
- CIFAR-10 图像分类(CNN)→ 理解卷积
- 情感分析(LSTM → Transformer)→ 理解序列建模
- 用 HuggingFace 微调一个 BERT ⭐ → 这一步跨过去,你就摸到大模型门槛了
神级资源:
- 🎓 吴恩达《Machine Learning Specialization》(Coursera,DeepLearning.AI 出品,2022 重制版)——公认最佳入门,数学讲得刚好
- 🎓 吴恩达《Deep Learning Specialization》 5 门课,学完 CNN/RNN/Transformer 全通
- 📖 《动手学深度学习》(Dive into DL) — 李沐大神出品,中文 + 代码可跑 + 免费,d2l.ai ⭐⭐⭐ 国内首选
- 📺 李沐 B 站《动手学深度学习》逐章视频陪读
Step 4|大模型时代(现在进行时) 🚀
这一层是 2023 年之后的新必修课,传统教材还没有:
A. 做「使用者」(1 周,人人该会)
- 学会写 Prompt:角色设定 + Few-shot + CoT("一步步想")+ 结构化输出
- 会用 RAG(检索增强生成):让 AI 读你的文档再回答
- 工具:ChatGPT / Claude / 元宝(就是我 😄)/ Cursor(写代码神器)
B. 做「开发者」(2–4 周)
- LangChain / LlamaIndex 搭一个" PDF 问答机器人"
- 用 Ollama 本地跑 Qwen / Llama3(你笔记本就能跑 7B 模型)
- 调 HuggingFace Transformers 库,
pipeline("text-generation")一行出活 - 了解 LoRA 微调:不用训 175B,一张 3090 就能微调 7B
C. 做「研究者」(长期)
- 刷 arXiv 的 cs.LG / cs.CL
- 精读 Attention Is All You Need → GPT 系列 → LLaMA → DPO 这条主线
- 复现一篇小论文 = 简历上最硬的一行
三、别踩这几个坑 ⚠️
❌ 坑 | ✅ 正确姿势 |
先看完 3 本数学书再写代码 | 第一天就跑通 MNIST,数学回头补 |
收藏 100 G 网课 | 一门课看完 + 敲完作业再开下一门 |
死磕公式推导 | 先建立"这层在干嘛"的直觉,推导留给二刷 |
只跑 notebook 不改参数 | 每个 demo 改 3 个超参看效果变化,才算学会 |
追新模型不看老的 | Transformer 没吃透就别碰 MoE,地基会塌 |
四、30 天最小可行计划 📅
周 | 干什么 | 产出物 |
第 1 周 | Python + NumPy + Pandas + 3B1B 线代前 5 集 | 用 Pandas 分析一份 CSV,画 3 张图 |
第 2 周 | 吴恩达 MLS 前 3 周 + sklearn 跑 5 个模型 | Kaggle 泰坦尼克冲进前 30% |
第 3 周 | d2l 前 6 章 + PyTorch 手搓 MNIST/CIFAR | GitHub 传 2 个 notebook |
第 4 周 | HuggingFace 微调 BERT 做情感分类 + LangChain 搭 RAG 问答 | 一个能 demo 的小项目 + README |
30 天后你会有 3 个能写进简历的项目,比"学完了 XX 课程"值钱 10 倍。
五、装备清单 🎒
- 电脑:有 N 卡最好(3060 12G 够玩 7B 量化);没卡用 Google Colab 免费版 或 Kaggle Notebook(每周 30 小时免费 GPU,真香)
- 环境:Miniconda + VS Code + Jupyter
- 社区:Kaggle、HuggingFace、Papers with Code、GitHub Trending、机器之心 / 量子位(追新)
- 花销:0 元能走完整个入门;想加速就 Colab Pro($10/月)
六、一句话心法 🎯
AI 入门不是"读懂",是"跑通 → 改坏 → 修好 → 再跑通"。
每一个报错信息,都是你离懂了更近一步。
想让我接着哪一块往下钻?比如:
- 🐍 手把手带你跑第一个 PyTorch 模型(我直接给可运行代码)
- 📝 Prompt 工程实战(写提示词的 12 个套路)
- 🤗 今晚就微调一个中文小模型(Colab 免费跑)
- 📚 给你排一份"书 + 课 + 项目"的 3 个月精确到周的表
告诉我你现在的基础(会不会 Python?数学大概什么水平?想走应用还是研究?),我给你裁一份合身的 😎
