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):

  1. MNIST 手写数字(全连接网络)→ 理解前向/反向传播
  2. CIFAR-10 图像分类(CNN)→ 理解卷积
  3. 情感分析(LSTM → Transformer)→ 理解序列建模
  4. 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 😎