AI / 数据科学 · 学习路径 | 编程语言全景手册

← 返回主页学习路径 →

1 阶段一：Python 与数学基础（4-6 周）

打好 Python 编程和数学基础，这是 AI 的基石。

Python 核心语法基础、数据结构、函数、面向对象、装饰器、生成器
Python 科学计算 NumPy（数组操作、线性代数）、Pandas（数据分析）
数学基础线性代数（矩阵、向量、特征值）、微积分（梯度、偏导）
概率与统计概率分布、假设检验、贝叶斯定理
Jupyter Notebook 交互式编程环境、数据探索

2 阶段二：机器学习（6-8 周）

掌握经典机器学习算法和工具。

机器学习基础监督学习、无监督学习、强化学习、模型评估
scikit-learn 预处理、特征工程、模型训练与调优
回归算法线性回归、逻辑回归、正则化（L1/L2）
分类算法决策树、随机森林、SVM、KNN
聚类算法 K-Means、层次聚类、DBSCAN
降维算法 PCA、t-SNE
集成学习 Bagging、Boosting、XGBoost、LightGBM

3 阶段三：深度学习（8-10 周）

掌握深度学习框架和经典网络结构。

PyTorch 核心张量、自动梯度、nn.Module、训练循环
TensorFlow 核心张量、Keras、自定义训练、分布式训练
神经网络基础感知机、多层感知机（MLP）、激活函数、反向传播
卷积神经网络 CNN 原理、ResNet、VGG、图像分类
循环神经网络 RNN、LSTM、GRU、序列预测
Transformer 自注意力机制、多头注意力、位置编码
迁移学习预训练模型使用、微调

4 阶段四：大模型与实战（6-8 周）

掌握大模型应用和完整的 AI 项目流程。

大模型基础 GPT 系列、BERT、LLaMA、ChatGLM 原理
提示词工程 Prompt 设计、CoT（思维链）、Few-shot Learning
RAG 实践检索增强生成、向量数据库（Chroma/FAISS）
LangChain 链式调用、Agent、工具集成
模型微调 LoRA、QLoRA、PEFT
模型部署 FastAPI + Hugging Face、ONNX、Triton
数据科学项目完整的数据分析 + 建模 + 部署流程

📚 推荐学习资源

🚀 练手项目

📊 房价预测（回归 + 特征工程）
🖼️ 图像分类（CNN + 迁移学习）
💬 情感分析（RNN/LSTM + 文本分类）
🤖 智能问答系统（RAG + 大模型）
📈 端到端数据科学项目（数据收集 → 建模 → 部署）