从零基础到 AI 应用落地

AI 是目标，ML 是方法，DL 是技术手段，生成式 AI 是当下的应用形态：用包含关系理解四者边界。

• AI ⊃ 机器学习 ⊃ 深度学习，生成式 AI 是深度学习之上的应用分支
• 判断标准：规则驱动 → 数据驱动 → 神经网络 → 生成新内容
• 能用一句话向非技术同事解释四者的区别

按「有没有标签、如何学习」区分三类问题：预测、发现结构与试错决策。

• 监督学习：有标签，解决分类与回归（如垃圾邮件识别）
• 无监督学习：无标签，做聚类、降维与异常检测
• 强化学习：通过奖励信号试错，适合游戏、机器人与调度

神经元、层与反向传播不需要先会推导：先建立「输入→加权求和→激活→输出→纠错」的直觉。

• 理解权重、偏置、激活函数各自的作用
• 反向传播的本质是按责任分配误差并调整参数
• 为什么 GPU 能加速：大量矩阵乘法可并行

大模型的核心是「预测下一个词」；理解预训练、微调、对齐三步，才能理解它为什么强、为什么会产生幻觉。

• Transformer 的注意力机制解决了长距离依赖问题
• 预训练 → 指令微调 → 对齐（RLHF）三步走
• token、上下文窗口、参数量分别意味着什么

了解符号主义、统计学习、深度学习、大模型四个阶段的里程碑，有助于理解今天的技术选择。

• 1950s-1980s：符号主义与专家系统的兴衰
• 2012 AlexNet 引爆深度学习；2017 Transformer 奠定大模型基础
• 2022 之后：生成式 AI 进入大众应用

Token、Embedding、RAG、微调、幻觉等高频词必须能秒懂，否则读文档和讨论都会卡住。

• 模型类：参数、Token、上下文窗口、Embedding
• 应用类：提示词、RAG、Agent、工具调用
• 风险类：幻觉、偏见、越狱、提示注入

AI 不是搜索引擎，也不是数据库：它按概率生成内容，所以会自信地犯错。知道边界才知道什么时候不该用。

• 幻觉来自概率生成，而不是「记错了」
• 模型没有实时记忆，联网/检索需要额外接入
• 高风险决策必须保留人工复核环节

变量、函数、列表与字典、文件读写是所有 AI 代码的地基，建议边学边在 Jupyter 里练习。

• 掌握函数定义、循环、条件与异常处理
• 熟练使用 list / dict / set 与推导式
• 能读写文件并调用第三方库

AI 项目中 70% 的时间在洗数据：数组运算、表格清洗与聚合是必须形成肌肉记忆的技能。

• NumPy：形状、广播、向量化运算
• Pandas：筛选、缺失值、分组聚合与合并
• 能独立完成一份公开数据集的清洗与统计

神经网络的前向传播本质是矩阵乘法：不理解形状与乘法规则，就读不懂模型代码。

• 向量点积、矩阵乘法与形状匹配规则
• 转置、逆与特征值的几何直觉
• 能解释一层全连接网络的计算过程

分类模型输出的是概率，损失函数来自最大似然：不懂概率就无法理解模型为什么这样训练。

• 常见分布、期望与方差
• 条件概率与贝叶斯公式的直觉
• 最大似然如何推导出交叉熵损失

导数、偏导与链式法则组合成反向传播；学习率控制每一步走多大，是调参的第一课。

• 导数/偏导的几何意义
• 链式法则 → 反向传播
• 学习率过大与过小的典型表现

研究向选修：拉格朗日乘子、凸性与对偶问题，读论文和推导优化算法时需要。

• 凸集、凸函数与最优性条件
• 拉格朗日乘子与对偶问题
• 常见优化算法（SGD、Adam）的理论背景

不参与模型训练，但算法岗面试的第一关：数组、链表、树、动态规划必须过关。

• 高频题型：双指针、二叉树、动态规划、图
• 复杂度分析与边界条件
• 建议刷 150-200 题并总结模板

真实数据大多在数据库里：会写查询、聚合与窗口函数，才能独立完成分析与特征工程。

• SELECT / JOIN / GROUP BY 与子查询
• 窗口函数与去重取最新
• 数据质量检查与口径统一

从线性回归、逻辑回归到决策树、随机森林与 XGBoost，重点是评估指标与交叉验证，而不是背公式。

• 掌握偏差-方差权衡与过拟合判断
• 分类/回归指标：准确率、召回、F1、AUC、MAE
• 能用 scikit-learn 完成一次完整建模

掌握卷积、循环与注意力三类结构的适用场景，能在 PyTorch 中训练并调优一个小模型。

• CNN 的局部感受野与权重共享
• RNN/LSTM 的时序建模与梯度问题
• Transformer 的自注意力与位置编码

词向量、序列模型、预训练与微调：NLP 是通往大模型最直接的路径，建议优先于 CV 学习。

• 分词、词向量与文本分类基线
• 预训练模型（BERT 类）的微调流程
• 文本生成与评估指标

图像分类、检测与分割是 CV 三大基础任务；掌握迁移学习能快速做出可用模型。

• 数据增强与迁移学习
• 检测（YOLO 系列）与分割（U-Net）基本范式
• 评估指标：mAP、IoU

理解 Transformer 解码、预训练/对齐、推理与部署，能够独立接入并评测一个开源模型。

• 解码策略：温度、top-p 与重复惩罚
• RAG、微调、提示词三条应用路径的取舍
• 模型选型：效果、成本、延迟与合规

不是玄学：角色、任务、上下文、输出格式四要素，加上少样本与思维链，就能大幅提升稳定性。

• 结构化提示词模板与输出格式约束
• 少样本示例、思维链与自我检查
• 提示词版本管理与效果评测

Agent = 大模型 + 规划 + 工具 + 记忆：能自己拆任务、调工具、检查结果，是 2026 年最热的应用形态。

• ReAct 循环：思考 → 行动 → 观察
• 工具调用与 MCP 协议
• 失败重试、权限控制与人工兜底

当提示词和 RAG 都不够用时才考虑微调：LoRA 让单卡可训，量化与 vLLM 让推理成本可控。

• 微调数据构造与质量评估
• LoRA / QLoRA 训练流程
• 量化与推理服务部署要点