了解机器学习 - 2. 机器学习学习路线

一、框架选型：零基础首选 PyTorch

先给明确结论：纯零基础入门，直接选 PyTorch，是当前性价比最高的选择。

1. 三大主流框架对比&适用场景

框架上手难度核心优势最适合的人群/场景
PyTorch最简单代码写法和普通Python几乎一致，调试方便；学术圈绝对主流，教程/开源项目最多；工业部署生态已完全成熟零基础入门、学术研究、算法工程师、绝大多数开发场景
TensorFlow中等部署生态最全（手机端、浏览器、嵌入式）；谷歌生态+TPU支持；工业存量项目多侧重端侧/嵌入式部署、谷歌云生态、维护已有老项目
飞桨PaddlePaddle较简单中文文档完善；工业场景开箱即用的模型多；完美适配国产硬件国内政企项目、制造业落地、国产芯片适配、偏好纯中文学习环境

2. 这些框架不建议入门学

  • MXNet、Caffe、Theano、CNTK：社区停止维护或活跃度极低，新教程、新项目少，遇到问题很难查到解决方案，属于“历史框架”，入门后按需了解即可。
  • Darknet：专用性太强，只适合YOLO目标检测，不适合系统学习深度学习。

3. 一句话选型建议

  • 不知道选什么 → PyTorch
  • 做国产项目/制造业落地 → 飞桨
  • 做手机/嵌入式AI开发 → TensorFlow

二、零基础系统学习路径

总周期：入门到能独立做基础项目约 34 个月（每天1.52小时），分4个阶段循序渐进。

阶段0：预备知识打底（2~3周）

核心目标：不会因为Python语法/数学概念看不懂，卡住后续AI学习。

必学内容

  1. Python基础
    • 核心：变量、循环、条件判断、函数、类与对象、文件读写
    • 重点掌握：列表、字典的常用操作
    • 不用学：爬虫、Web开发、装饰器/生成器等高级特性，入门完全用不上
  2. 三个核心数据工具库
    • NumPy：数值计算基础，专门做矩阵/数组运算，是所有AI框架的底层基石
    • Pandas：表格数据处理，读取Excel/CSV、数据清洗、特征筛选
    • Matplotlib：画图工具，绘制数据曲线、对比图、结果可视化
  3. 极简数学基础（够用就行，不用啃教材）
    • 线性代数：向量、矩阵、矩阵乘法、维度概念（不用学行列式、特征值证明）
    • 微积分：导数、偏导数、梯度的物理意义（不用背求导公式，知道梯度是“下降方向”即可）
    • 概率统计：概率、均值方差、正态分布（不用学复杂的分布推导）

实操产出

能用Pandas读取一份CSV数据，完成简单的清洗和统计，并用Matplotlib画出数据分布图。

避坑提醒

不要花1个月专门学数学，先学基础概念，后面遇到不懂的再回头补，边用边学效率最高。

阶段1：机器学习核心基础（3~4周）

核心目标：建立机器学习的完整概念体系，掌握通用的模型训练/评估方法。

为什么不能跳过？深度学习是机器学习的子集，「过拟合、损失函数、梯度下降」这些核心概念全部通用。先用简单的传统算法理解逻辑，再学深度学习会轻松10倍。

必学内容

  1. 基础概念（必须吃透）
    • 监督学习/无监督学习/强化学习的区别
    • 分类任务 vs 回归任务
    • 数据集划分：训练集（上课学）、验证集（做作业）、测试集（期末考试）
    • 过拟合 vs 欠拟合：模型把教材背下来了，但新题就不会，属于“死读书”
    • 评估指标：准确率、精确率、召回率、MSE误差
    • 梯度下降：模型“学习”的本质——顺着误差减小的方向调整参数
  2. 经典算法（懂原理+会调用，不用推导公式）
    • 线性回归、逻辑回归
    • 决策树、随机森林、支持向量机（SVM）
    • K-means聚类、PCA降维
  3. 工具实战：Scikit-learn
    • 加载数据集、训练模型、评估结果、基础调参

实操产出

  • 分类任务：用鸢尾花/手写数字数据集训练模型，计算准确率
  • 回归任务：用房价数据集预测房价，计算误差
  • 聚类任务：用K-means对用户数据做分群

阶段2：深度学习基础 + 框架入门（4~6周）

核心目标：搞懂神经网络的工作原理，能用PyTorch搭出经典网络，跑通图像、文本基础任务。

必学内容

  1. 神经网络基础概念
    • 神经元、全连接层、激活函数（ReLU、Sigmoid等）
    • 损失函数、优化器（SGD、Adam：帮模型改错的工具）
    • 反向传播（BP算法）：知道“从后往前改错”的流程，不用手推公式
    • 基础术语：
      • 张量（Tensor）：多维数组，PyTorch的基础数据单位，类似NumPy数组，支持GPU加速
      • epoch：把整个训练数据集完整过一遍，叫1个epoch
      • batch_size：每次训练喂给模型的数据量，分批训练更高效
  2. 三大经典网络架构（原理+代码实现）
    • CNN卷积神经网络：主打图像任务
      • 卷积层、池化层的作用；经典模型：LeNet、AlexNet、ResNet（懂结构，能复现简易版）
    • RNN/LSTM循环神经网络：主打时序/文本任务，处理有先后顺序的数据
    • Transformer基础：当前所有大模型的核心架构
      • 自注意力机制的直观理解；Encoder-Decoder结构
  3. PyTorch框架实操
    • 基础：张量运算、自动微分、GPU加速
    • 标准流程：数据加载、模型定义、训练循环、验证、保存/加载模型
    • 迁移学习：把别人在大数据上训好的模型拿过来，改几层用在自己的小数据集上，省时省力效果好，是零基础最实用的技能

实操产出

  • 用全连接网络实现手写数字识别（MNIST数据集）
  • 用CNN实现猫狗二分类
  • 用预训练ResNet做10分类图像任务

避坑提醒

不要一上来就从零写ResNet、Transformer，先学会用框架自带的开源实现，跑通流程，再慢慢拆源码。

阶段3：专项方向进阶 & 实战（持续学习）

入门之后，根据兴趣或职业方向选一个赛道深入，不用全学。

方向1：计算机视觉（CV）

  • 核心任务：图像分类、目标检测、图像分割、生成式AI
  • 必学：YOLO系列目标检测、U-Net分割、扩散模型基础
  • 实战：做一个目标检测项目（比如商品计数、路况识别）

方向2：自然语言处理（NLP）

  • 核心任务：文本分类、情感分析、问答系统
  • 必学：BERT、文本预处理、序列标注
  • 实战：做一个情感分析工具、简单的客服问答系统

方向3：大模型应用与开发

  • 核心：不用从零训练大模型，做应用层开发（当前就业热门）
  • 必学：Hugging Face使用、开源大模型本地部署、Prompt工程、RAG（检索增强生成）、LoRA（低成本微调）
    • RAG：让大模型先从你的知识库检索相关内容，再基于内容生成答案，解决“胡说八道”的问题
    • LoRA：不用改模型全部参数，只训练很小一部分，普通显卡就能微调大模型
  • 实战：基于开源模型做一个垂直领域知识库助手

方向4：AI工程部署

  • 核心：把训练好的模型变成可落地的产品
  • 必学：模型量化、ONNX格式转换、TensorRT加速、服务端部署（FastAPI）

三、零基础必须建立的AI知识版图

先建立全局认知，避免学着学着不知道自己在学什么、能用在哪。

1. AI的三大技术路线

  • 符号主义：人工写规则的专家系统（已非主流）
  • 连接主义：神经网络/深度学习（当前绝对主流，大模型属于这一类）
  • 行为主义：强化学习（比如AlphaGo、机器人控制）

2. 主流落地任务分类

  • 计算机视觉（CV）：给图片/视频“看”的能力，比如人脸识别、自动驾驶感知、AI绘画
  • 自然语言处理（NLP）：给文字“理解和生成”的能力，比如聊天机器人、翻译、文案生成
  • 语音技术：语音识别、语音合成、声纹识别
  • 推荐系统：给用户推内容/商品，比如抖音、淘宝的推荐算法
  • 强化学习：游戏AI、机器人控制、自动驾驶决策

3. 贯穿所有AI任务的核心逻辑

所有机器学习任务，本质都是同一个流程：

  1. 准备带标注的数据 → 2. 设计模型结构 → 3. 用训练数据让模型学习 → 4. 用测试数据检验效果 → 5. 优化调整后上线使用

四、零基础入门避坑指南

  1. 不要上来就死磕数学公式
    入门阶段先懂概念、会用工具，数学可以边做项目边补，不然很容易因为枯燥放弃。
  2. 不要只看视频/看书，不写代码
    AI是实操性极强的领域，看10遍视频不如自己跑通1个项目。调bug的过程，才是真正学习的过程。
  3. 不要同时学多个框架
    先把一个框架学透，其他框架核心逻辑完全一致，只是API写法不同，触类旁通非常快。
  4. 不要跳过基础直接学大模型
    大模型是深度学习的进阶产物。连神经网络基础都不懂的话，学大模型只能停留在“调用API”的表层，没法做优化和定制。
  5. 不要追求大而全
    入门阶段不用所有算法都学透，先掌握最常用的，能做出完整项目，再慢慢拓展。

需要我补充一份具体的入门学习资源清单（免费课程、书籍、练手数据集与项目）吗？