人工智能与机器学习

时长

35–44 周 + 持续

先修

计算机科学基础

可从事

机器学习工程师, 数据科学家, AI 研究员, MLOps 工程师

适合编程熟练、喜欢数学和做实验的人。

1. 阶段 1: 机器学习的数学 ， 6–8 周

   学习内容

   • 向量和矩阵
   • 导数和梯度
   • 概率
   • 统计
   • 优化

   免费资源

   • Essence of Linear Algebra 视频， 3Blue1Brown
   • Mathematics for Machine Learning 书， Deisenroth, Faisal and Ong (Cambridge University Press)
   • Statistics and probability 课程， Khan Academy

   动手做: 只用 NumPy 实现带梯度下降的线性回归，并画出损失下降的曲线。

   进入下一阶段的标准: 你能在白板上讲清楚梯度下降。

2. 阶段 2: 用于数据的 Python ， 3–4 周

   学习内容

   • NumPy 数组
   • pandas 数据框
   • 清洗杂乱的数据
   • 绘图
   • Jupyter 笔记本

   免费资源

   • NumPy quickstart 文档， NumPy
   • pandas getting started 文档， pandas
   • Kaggle Learn 练习， Kaggle

   动手做: 清洗并探索一个公开数据集，写下三个发现。

   进入下一阶段的标准: 你能加载、清洗并总结一个从没见过的数据集。

3. 阶段 3: 经典机器学习 ， 8–10 周

   学习内容

   • 训练集、验证集和测试集
   • 过拟合和正则化
   • 回归和分类
   • 决策树和集成方法
   • 选择合适的指标

   免费资源

   • Machine Learning Crash Course 课程， Google
   • An Introduction to Statistical Learning 书， James, Witten, Hastie, Tibshirani and Taylor
   • scikit-learn user guide 文档， scikit-learn

   动手做: 一个端到端训练、在没见过的数据上测试的模型，并诚实写明它在哪里失败。

   进入下一阶段的标准: 你能看出一个好分数其实是数据泄漏造成的。

4. 阶段 4: 深度学习 ， 10–12 周

   学习内容

   • 神经网络和反向传播
   • PyTorch
   • 卷积网络
   • Transformer 和注意力机制
   • 在 GPU 上训练

   免费资源

   • Practical Deep Learning for Coders 课程， fast.ai
   • Neural Networks: Zero to Hero 视频， Andrej Karpathy
   • Dive into Deep Learning 书， d2l.ai (open source)
   • PyTorch tutorials 文档， PyTorch Foundation

   动手做: 训练一个图像或文本分类器，并和上一阶段的经典模型比较。

   进入下一阶段的标准: 你能自己编写并调试训练循环。

5. 阶段 5: 语言模型 ， 8–10 周

   学习内容

   • 词元和嵌入
   • 大语言模型如何训练
   • 微调
   • 检索增强生成
   • 评估输出

   免费资源

   • LLM Course 课程， Hugging Face
   • CS224N: NLP with Deep Learning 课程， Stanford University

   动手做: 一个基于你自己笔记的问答应用，并用一个小测试集衡量它答对的比例。

   进入下一阶段的标准: 你能解释模型为什么答错，并衡量一次改动是否有帮助。

6. 阶段 6: 负责任地投入使用 ， 持续

   学习内容

   • 通过 API 提供模型服务
   • 监控和数据漂移
   • 偏差与公平
   • 隐私
   • 针对 AI 系统的攻击

   免费资源

   • Made With ML 课程， Goku Mohandas
   • Rules of Machine Learning 文档， Google
   • AI Risk Management Framework 文档， NIST

   动手做: 部署你的一个模型并加上监控，再写一份简短的模型卡，说明它不应该被用于什么。

   进入下一阶段的标准: 这个阶段永远不会结束。持续发布，持续衡量。

认证路线图 返回所有路线