目录
现在AI已经火了一段时间了，对于想入局AI的大伙，除了可以使用具体的AI产品外，还应可使用具体的模型训练自己的数据，最终形成自己的模型，最后，高阶的可开发自己的模型（需要大量物力财力做支撑），因此，无论在哪个层面，系统地掌握AI的核心知识技能都会让自己更加了解AI，更熟练的使用AI，掌握AI，创新AI。
一、基础阶段
-
编程语言：
- 掌握Python基础语法，包括基本数据类型、控制结构、函数、面向对象编程等。
- 学习Numpy、Pandas等Python科学计算库，用于数据处理和分析。
- 数学基础：
- 复习线性代数知识，包括向量、矩阵运算、特征值与特征向量等。
- 复习微积分知识，包括导数、积分、偏导数等。
- 学习概率论与数理统计，了解随机变量、概率分布、假设检验等基本概念。
- 机器学习入门：
- 了解机器学习基本概念和原理，如监督学习、无监督学习、强化学习等。
- 学习并实践经典机器学习算法，如线性回归、逻辑回归、决策树、KNN、SVM等。
二、进阶阶段
- 深度学习基础：
- 了解神经网络的基本原理和结构，如感知机、多层感知机等。
- 学习深度学习经典模型，如卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）等。
- 深度学习框架：
- 学习并使用TensorFlow、PyTorch等深度学习框架，实现并优化深度学习模型。
- 自然语言处理（NLP、NLG）：
- 学习NLP基本原理和技术，如文本预处理、词嵌入、文本分类、序列标注等。
- 实践NLP项目，如情感分析、文本生成、机器翻译等。
- 计算机视觉（CV）：
- 学习CV基本原理和技术，如图像处理、特征提取、目标检测、图像分割等。
- 实践CV项目，如人脸识别、图像分类、目标跟踪等。
三、高级阶段
- 强化学习：
- 了解强化学习基本原理和算法，如Q-learning、策略梯度等。
- 实践强化学习项目，如游戏AI、机器人控制等。
- 迁移学习：
- 学习迁移学习原理和技术，了解如何将在源任务上学到的知识迁移到目标任务上。
- 深度学习优化与调参：
- 学习深度学习模型的优化方法，如梯度下降、动量优化、Adam等。
- 掌握深度学习模型的调参技巧，如学习率调整、批量大小选择、正则化方法等。
- 项目实战：
- 参与实际AI项目，将所学知识应用于实际问题中，提升实践能力。
- 参与AI竞赛，通过与其他选手的交流和学习，不断提高自己的水平。
四、涉及到的算法
- 机器学习算法：
- 监督学习算法：这类算法利用已知结果的数据集进行训练，以预测新数据的结果。常见的监督学习算法包括线性回归、逻辑回归、支持向量机（SVM）、决策树等。
- 无监督学习算法：这类算法用于发现数据中的隐藏模式或结构，而不需要预先知道数据的标签或结果。常见的无监督学习算法包括K-均值聚类、层次聚类、主成分分析（PCA）等。
- 半监督学习算法：这类算法结合了监督学习和无监督学习的特点，使用部分标注的数据和大量未标注的数据进行训练。常见的半监督学习算法包括自训练、协同训练、半监督SVM等。
- 深度学习算法：
- 卷积神经网络（CNN）：CNN特别适用于处理图像数据，通过卷积层、池化层和全连接层的组合，能够自动提取图像中的特征并进行分类或识别。
- 循环神经网络（RNN）：RNN适用于处理序列数据，如文本、语音等。它通过循环连接的方式捕捉序列中的时间依赖性。
- 长短时记忆网络（LSTM）：LSTM是RNN的一种变体，通过引入门控机制和记忆单元，有效地解决了RNN在处理长序列时的梯度消失问题。
- 强化学习算法：
- Q-learning：这是一种基于值的强化学习方法，通过不断更新Q值表来选择最优的动作策略。
- 策略梯度方法：这类方法直接优化策略的参数，以最大化期望回报。常见的策略梯度算法包括REINFORCE、Actor-Critic等。
- 其他常用算法：
- 决策树与随机森林：决策树是一种树形结构的预测模型，而随机森林则是通过构建多个决策树并结合它们的输出来提高预测精度。
- 梯度提升树（GBM）和XGBoost：这些算法通过迭代地添加新的弱学习器来修正之前学习器的错误，从而形成一个强学习器。
- 支持向量机（SVM）的变种：如线性SVM、多项式SVM和径向基函数SVM等，它们通过不同的核函数来适应不同的数据分布和特征空间。
- 当前比较火的Transformer模型：
- Transformer模型：是一种基于自注意力机制（多头注意力机制）的深度学习网络架构，被广泛应用于自然语言处理（NLP）领域，包括机器翻译、文本生成等任务。