如何高效学习人工智能：一份个人路线图

为什么要写这份路线图

经常有朋友问我："我想学 AI，应该从哪开始？" 这篇文章结合我的亲身经历，整理了一份务实的学习路线，不求全面，只求能走通。

阶段一：打好基础（1~2 个月）

数学三件套

• 线性代数：向量、矩阵、特征值——理解神经网络的基本运算；
• 概率统计：贝叶斯、期望、方差——理解模型的不确定性；
• 微积分：导数、梯度——理解反向传播的原理。

建议：不需要一次学透，用到再补，边学边用效率最高。

编程基础

掌握 Python 基础语法、NumPy 与 Pandas 数据处理。推荐用 Jupyter Notebook 边写边看。

阶段二：机器学习（2~3 个月）

推荐资源：

1. 吴恩达《Machine Learning Specialization》（Coursera 免费旁听）；
2. 《机器学习》（周志华，西瓜书）；
3. 动手完成 3~5 个 Kaggle 入门竞赛。

阶段三：深度学习（2~3 个月）

推荐资源：

• 李沐《动手学深度学习》（B 站有配套视频，强烈推荐）；
• PyTorch 官方教程；
• 复现一个经典模型（如 ResNet、Transformer）。

# 一个最小化的 PyTorch 训练循环
import torch
import torch.nn as nn

model = nn.Linear(10, 1)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for x, y in dataloader:
    loss = nn.functional.mse_loss(model(x), y)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

阶段四：大模型应用（持续进行）

掌握 Prompt 工程、RAG 检索增强、Agent 智能体开发。多动手做小项目，比如：

• 用 LangChain 做一个知识库问答机器人；
• 微调一个小模型完成特定任务；
• 搭建一个像本站这样的个人站点，记录你的学习过程。

写在最后

学习 AI 没有捷径，但有方法：先跑通、再深入、勤输出。把每一次学习都记录下来，你会感谢坚持的自己。