Skip to content

入门基础

简介

这是一个面向零基础同学的人工智能（AI）与深度学习入门学习路线，适用于没有数学基础、没有编程经验或只是听说过 AI 的同学。

AI 涉及数学、编程、机器学习理论以及深度学习框架，但每个部分都有大量优质的免费学习资源。与其“为了学习而学习”，不如掌握基础后边做项目边查资料，在实践中逐步补齐知识。

  • 难度：⭐⭐⭐

  • 先修基础：无

学习路径

数学基础

线性代数

学习目标：掌握矩阵运算、向量空间、特征值等概念——理解神经网络计算的核心基础。

教程：

资源说明：

网络资源极其丰富，可根据自身情况在 B 站搜索相关课程（如 3Blue1Brown、MIT 线代，宋浩线性代数），书籍也很多，此处不再赘述。

微积分

学习目标：掌握导数、梯度、链式法则等内容——反向传播算法的数学核心。

教程：

资源说明：高等数学与数学分析课程会详细讲解，可自行在 B 站搜索课程学习，如陈纪修《数学分析》

推荐读物：

  • 《普林斯顿微积分读本》

概率论与数理统计

学习目标：掌握概率分布、贝叶斯定理、最大似然估计等——理解模型输出与不确定性建模的关键。

教程：

推荐教材：

  • 《概率论与数理统计教程》（茆诗松）

编程基础

Python

学习目标：能够熟练使用 Python —— AI 行业的通用工作语言。

教程：

推荐书目：

  • 《Python编程从入门到实践》（蟒蛇书）

科学计算库

学习目标：掌握基础数据结构和科学计算能力，为后续机器学习做准备。

  • NumPy：数组运算、矩阵计算

  • Pandas：数据分析、数据清洗（准备数据集必备技能）

教程：

机器学习与 AI 理论

前置基础：Python 与数学基础

经典机器学习

学习目标：掌握基本模型与核心概念，包括训练集/测试集、过拟合、损失函数、学习率等。

教程：

深度学习框架与核心模型

主流深度学习框架

学习目标：掌握 PyTorch 或 TensorFlow，从张量操作开始，到搭建与训练神经网络。

  • PyTorch（推荐）：科研主流

  • TensorFlow：工业常见

教程：

跑通经典模型

  • CNN：在 CIFAR-10 上实现图像分类

  • RNN/LSTM：处理文本生成或时间序列预测

推荐课程：

  • B 站「跟李沐学 AI」系列

进阶

深入理解现代模型架构

Transformer

必须深入掌握：

  • 自注意力机制

  • 前馈网络

  • 残差连接

这是一切大模型（LLM、扩散模型、Vision Transformer 等）的基础。

推荐：

  • 论文《Attention Is All You Need》

  • 邱锡鹏《神经网络与深度学习》

  • 《大规模语言模型》（黄萱菁推荐参考书）

系统与性能优化

操作系统基础

帮助分析训练中的性能瓶颈（CPU、内存、I/O）。

推荐课程：

  • 南京大学蒋炎岩《操作系统》

并行与分布式训练

学习 torchrun、DeepSpeed、ZeRO 等工具，理解：

  • 数据并行

  • 模型并行

  • 多卡训练

  • 多机通信

计算机网络

理解分布式训练中的通信机制（如 All-Reduce）。

推荐课程：

  • 中科大《计算机网络》

其他补充

以上内容构成 AI 的基础学习路线。进入课题组后主要根据导师方向深入。除此之外，建议：

  • 紧跟社区：关注 X（Twitter）、知乎、小红书上的顶级研究者和机构

  • 阅读并复现论文：从经典小模型开始

  • 加入项目：形成“问题驱动”的学习循环（实验室 / Kaggle / 开源项目）

  • 掌握 Hugging Face：使用 Trainer API 微调预训练模型

  • 培养核心软技能：

    • 阅读官方文档
    • 熟悉 GitHub
    • 善用大模型（如 ChatGPT）做学习助手

下一步去哪？

  • 自然语言处理（NLP） —— 了解文本建模和 LLM 的核心

  • 计算机视觉（CV） —— 深入 CNN、ViT 等架构

  • 大模型微调 —— LoRA、QLoRA、指令微调

  • AI 工程化 —— 部署、优化、服务化

  • 参与开源项目 —— GitHub、Hugging Face Hub