【零基础入门AI（人工智能）的系统性学习路线】

一、基础准备阶段

1. 数学基础

线性代数：矩阵运算、特征值、向量空间（推荐《线性代数及其应用》）
概率与统计：贝叶斯定理、概率分布、假设检验（参考《概率论与数理统计》）
微积分：梯度、导数、链式法则（理解反向传播的基础）
优化方法：梯度下降、凸优化（机器学习模型训练的核心）

2. 编程技能

Python：语法、数据结构、面向对象编程（基础语言）
数据处理库：NumPy（数值计算）、Pandas（数据分析）、Matplotlib（可视化）
基础算法：排序、搜索、递归（《算法导论》或LeetCode简单题）

3. 机器学习基础概念

监督学习 vs 无监督学习
过拟合与欠拟合、偏差-方差权衡
交叉验证、评估指标（准确率、召回率、F1值）

二、机器学习阶段

1. 经典算法学习

线性模型：线性回归、逻辑回归
树模型：决策树、随机森林、XGBoost/LightGBM
支持向量机（SVM）
聚类算法：K-Means、DBSCAN
降维：PCA、t-SNE

2. 模型训练与调优

使用Scikit-learn实现全流程（数据预处理→训练→评估）
超参数调优：网格搜索、随机搜索、贝叶斯优化
特征工程：特征选择、缺失值处理、分箱

3. 实战项目

入门项目：鸢尾花分类、房价预测、手写数字识别
数据集：Kaggle（Titanic、House Prices）、UCI Machine Learning Repository

三、深度学习阶段

1. 神经网络基础

感知机、多层感知机（MLP）
激活函数（ReLU、Sigmoid）、损失函数（交叉熵、MSE）
反向传播与优化器（SGD、Adam）

2. 主流框架

TensorFlow/Keras：快速搭建模型（适合新手）
PyTorch：动态计算图，科研与工业界主流
实践：用CNN实现图像分类（如CIFAR-10）、用RNN处理文本

3. 进阶领域

计算机视觉（CV）：目标检测（YOLO）、图像分割（U-Net）
自然语言处理（NLP）：Transformer、BERT、GPT
生成模型：GAN、扩散模型（Stable Diffusion）

四、进阶方向（按兴趣选择）

1. 研究方向

强化学习（AlphaGo、自动驾驶）
图神经网络（社交网络分析）
小样本学习、元学习

2. 工程化与部署

模型压缩（量化、剪枝）
部署工具：TensorFlow Serving、ONNX、Flask/Django
云平台：AWS SageMaker、Google AI Platform

3. 行业应用

医疗（医学影像分析）
金融（风控、量化交易）
推荐系统（协同过滤、深度学习召回）