人工智能学习路线

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：

1. 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；
2. 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；
3. 学习建模分步过程。如：CRISP-DM；
4. 学习建模工具。如：scikit-learn；
5. 在小数据集上练习。如：UCI数据集；
6. 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：

1. 了解自动化机器学习工具。
2. 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：

1. 了解深度学习相关概念；
2. 学习深度学习常用算法及深度学习方法体系（CNN，RNN，LSTM，Transformer，等）；
3. 学习深度学习框架\工具（keras，PyTorch，Tensorflow，FastAI）；
4. 学习自然语言处理，计算机视觉；
5. 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。

1. 深度解析机器学习算法；
2. 学习深度学习自制框架：DeZero；
3. 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：

1. 学习提示工程（专注于创建和改进提示）。如：coze；
2. NLP 的生成模型，LLM（大语言模型）；
3. 计算机视觉的生成模型；
4. 了解如何从头开始构建这些生成模型；
5. 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：

1. 基础知识：git\ github\ Linux\容器化\云，HF Spaces\ Streamlit Sharing；
2. 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）；
3. 主要内容：自动化管道，监控，生命周期管理，治理；
4. 核心概念：持续集成与持续部署（CI/CD），版本控制，模型监控；
5. 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：

1. 了解集成学习相关概念；
2. 学习集成学习常用算法及集成学习方法体系（Bagging，Boosting，Stacking，Blending，等）；
3. 学习集成学习 Python 库（Scikit-learn，XGBoost，LightGBM，CatBoost）；
4. 练习\实践。如，小数据集 UCI 数据集 或 kaggle 等；
5. 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：

1. 学习不同领域专业知识，如保险，信贷，物流，电商等；

2. 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；

3. 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：

1. 以 Kaggle 和阿里天池等竞赛网站为起点；
2. 将报告在微信公众号、知乎、掘金等平台展示结果；
3. 在 Github 上托管个人博客；