AI 学习路线

AI 不是会思考的魔法，而是一类让机器完成感知、判断、生成和行动任务的方法与系统。

用一张由大到小的知识地图，讲清 AI、ML、DL 和生成式 AI 之间的包含与交叉关系。

监督学习用带答案的数据学习预测，无监督学习则从没有答案的数据中寻找结构和规律。

分类预测离散类别，回归预测连续数值。任务类型会直接决定输出层、损失函数和评价指标。

样本是一条完整记录，特征是提供给模型的信息，标签是监督学习希望模型预测的答案。

训练集用于学习参数，验证集用于选择方案，测试集只在最后评估一次模型的真实泛化能力。

从混淆矩阵出发理解四个分类指标，并根据漏判和误判的实际代价选择评价标准。

欠拟合是规律没学会，过拟合是只记住训练数据，数据泄漏则让模型提前看到了不该知道的信息。

不从公式开始，而是从“机器怎样学会判断”这件事讲起，把神经网络、神经元、参数、训练和预测串成一条清楚的线。

激活函数让神经网络拥有非线性表达能力。没有它，再多层网络也可能只是一个更复杂的线性模型。

损失函数像训练过程里的成绩单，告诉模型预测结果和真实答案之间差了多少。

梯度下降可以理解成沿着损失函数的坡度往低处走，目标是找到让模型错误更小的参数。

CrossEntropyLoss 常用于分类任务，它关注的不只是模型有没有猜对，还关注模型对正确类别有多自信。

用“预测、算错、追责、更新”串起一次神经网络训练，并用最小 PyTorch 代码看清 forward、backward 和 step 的分工。

Tensor 可以理解成更通用的数组，它承载数据、参数和梯度，是 PyTorch 训练流程的基础。

Linear 层本质上是一次线性变换，它把输入特征通过权重矩阵和偏置映射到新的输出空间。

DataLoader 负责把数据按批次送进模型，并处理 shuffle、batch size 和多进程加载等训练细节。

从准备数据、定义模型、选择损失函数和优化器，到训练循环和验证评估，把 PyTorch 训练主线串起来。

一次从短信分类项目出发的复盘：从需求、流程到问题定位，再到后续可以继续优化的方向。

从 jieba 分词、TF-IDF 和随机森林开始，到 Flask 接口和 Streamlit 页面，这是一条更完整的中文文本分类落地链路。

一个机器学习项目不是从训练模型开始，而是从定义问题、整理数据、训练评估到上线预测的一整条链路。

数据清洗不是把数据改漂亮，而是识别缺失、重复、异常和格式问题，让模型拿到可靠的输入。

用一个小型表格案例串起读取数据、检查缺失、去重、处理异常值、编码类别特征和导出干净数据的流程。

特征工程不是随便增加几列，而是把原始业务数据整理成模型能稳定学习的信号。

Label Encoding 和 One-Hot Encoding 都能把类别变成数字，但它们表达的含义完全不同。

标准化和归一化都在处理数值尺度问题，但一个看均值方差，一个看最大最小值。

从房价预测出发，理解线性回归的输入、输出、误差和第一个 scikit-learn 实现。

用同一组测试数据理解四个常用回归指标，并根据业务代价选择正确的评价方式。

理解线性分数、Sigmoid、概率和阈值，跑通第一个二分类逻辑回归示例。

理解 K 近邻算法的核心思想、距离度量、K 值选择、特征缩放和 sklearn 训练流程。

从分支节点、叶节点、基尼系数、信息增益和 max_depth 入手，理解决策树分类模型。

理解随机森林的 Bagging 思想、有放回抽样、随机特征选择、投票机制和常用参数。

从多个模型共同决策的直觉出发，理解 Bagging、Boosting、随机森林和梯度提升模型的基本区别。

理解训练集、验证集、测试集、交叉验证、平均分和波动，避免用一次随机划分误判模型能力。

进入中文文本分类前，先理解文本文件编码、乱码、空白符、标点、大小写和基础清洗规则。

理解中文分词为什么重要，停用词应该怎么用，以及在文本分类项目里如何把句子切成可建模的词。

从词袋模型开始理解文本向量化，学习 CountVectorizer 如何把分词后的中文文本变成可训练的特征矩阵。

从词频和逆文档频率出发，理解 TF-IDF 为什么适合文本分类，以及如何在 sklearn 中使用 TfidfVectorizer。

用 TF-IDF 和 LogisticRegression 跑通一个中文文本分类基线模型，理解从分词、划分数据到训练预测的完整流程。

学会用 classification_report、confusion_matrix 和错分样本分析文本分类模型，不只看准确率。

学会保存完整 Pipeline、标签信息和项目元数据，让文本分类模型不只停留在 notebook 里。

把已经训练好的文本分类 Pipeline 接到 Streamlit 页面里，完成输入文本、预测类别和查看置信度的交互演示。

补齐 PyTorch 实际训练中最常用的 Tensor 操作：数据类型、设备迁移、索引、切片和布尔筛选。

从一个最小例子理解 PyTorch 如何记录计算过程、自动求梯度，以及为什么训练前要清空梯度。

你写了 optimizer.zero_grad() 却不知道为什么要写。这一篇把 PyTorch 的动态计算图、叶子节点和梯度累积机制讲透，让你彻底明白"清梯度"不是仪式，是物理必然。

深度学习代码 80% 的报错都是 Shape 不匹配。但 Shape 不只是维度对齐，它是模型每一层之间的数据契约。这篇把 batch、特征、类别维度和常见的 Shape 流水线一次讲透。

reshape 和 view 看起来一样，transpose 和 permute 也像兄弟，广播机制报错信息又长又看不懂。这篇用最小代码讲清它们的区别，让你不再瞎试。

PyTorch 内置数据集只够入门练手。真实项目里你的数据可能是 CSV、文件夹图片、JSON 文本——这时候必须自己写 Dataset。这篇把 __len__ 和 __getitem__ 讲透，附带三个真实场景。

第 17 篇你学了 DataLoader 的基本用法。但 batch_size 调多大、shuffle 为什么必须开、num_workers 设几、drop_last 有什么用——这些细节决定训练是 5 分钟还是 5 小时。

所有 PyTorch 模型都继承 nn.Module。但你可能不知道，它帮你做了参数注册、子模块管理、train/eval 切换、设备迁移四件大事。这篇把 nn.Module 的黑盒拆开。

把所有权重初始化成 0，模型直接学不动。初始化成太大的随机数，梯度爆炸。初始化是训练的起跑线，起跑线错了后面全白费。这篇讲清为什么初始化重要、常见方法怎么选。

梯度下降是所有优化器的祖宗。SGD 是最朴素的实现，Momentum 加了惯性。搞懂这两个，才能理解后面 Adam 在"智能"什么。

SGD 给所有参数同一个学习率。但有些参数变化剧烈、有些几乎不动，统一步长不合理。AdaGrad 和 RMSProp 让每个参数有自己的自适应学习率。

Adam 把 Momentum 的"方向惯性"和 RMSProp 的"自适应步长"合体，开箱即用。AdamW 修复了 Adam 权重衰减的耦合 bug，成为 Transformer 的标配。

学习率是训练里最敏感的超参数——太大 loss 爆炸，太小 loss 不动。这篇讲清怎么判断学习率过大过小，以及 StepLR、CosineAnnealing 等衰减策略怎么选。

RuntimeError: Expected all tensors to be on the same device —— 这是你用 GPU 训练时最常遇到的报错。模型在 GPU、数据在 CPU，它们碰不到一起。这篇讲清设备迁移的完整流程。

模型训练集准确率 99%，测试集只有 70%——这是过拟合。Weight Decay、Dropout、Early Stopping、数据增强怎么选？这篇建立完整的正则化方法地图。

训练 loss 不降？降了又升？训练好测试差？这篇把前面所有训练知识串成一套系统化的诊断流程，让你看曲线就知道问题在哪。

前面 14 篇学了原理，现在第一次完整跑一个深度学习项目——从造数据、建模型、训练到预测。用最简单的线性回归，把全流程跑通。

线性回归是连续预测，分类是离散判断。这篇从零搭建一个二分类神经网络，用二维数据让你能"看到"模型怎么把两类点分开。

准确率 99% 但不知道模型怎么分的？这篇把分类模型的决策边界画出来，让你亲眼看到模型在二维空间画了一条什么形状的分界线。

前面用造的数据练手，这次用真实 CSV 表格数据。从读取、预处理、模型搭建到训练评估，走完表格分类的完整流程。

训练好的模型不能只活在内存里。这篇讲清怎么把模型存成文件、怎么加载回来预测、怎么做批量推理，以及断点续训的完整做法。

图像不能直接用全连接层处理——参数太多、丢失空间结构。CNN 用卷积提取局部特征，用池化压缩尺寸。这篇用最小代码讲清卷积核在做什么。

一张普通图片进入 PyTorch 后为什么会变成 [B, C, H, W]？这篇从 PIL、NumPy、Tensor、归一化和 DataLoader 出发，把图像送进 CNN 前的完整数据流讲清楚。

从数据增强、CNN、训练循环、验证指标到保存最佳权重，完整跑通一个 PyTorch 图像分类项目，并理解每一段代码为什么存在。

准确率只能告诉你错了多少，混淆矩阵和错误样本才能告诉你错在哪里。这篇建立一套从类别指标、混淆矩阵到高置信度错误图的分析流程。

把散落在单文件里的 PyTorch 代码整理成可维护项目：配置、数据、模型、训练引擎、日志、检查点和推理各归其位，并保留可复现实验所需信息。