人工智能学习路线&学习资料整理

人工智能学习资料（个人整理）

脑上头写出来的，误点到发布了，有问题后面再补充修改
里面的内容大部分是我学习过了的，基本上都是非常优秀的很好理解（我缺的数学基础这块你上哪补啊【悲】）

内容已经整理至github，附带代码实例

先导

开始之前，让我们先看几个demo和视频

【纪录片】阿尔法狗【双语特效字幕】
https://www.bilibili.com/video/BV1pE411y7Pu/?spm_id_from=333.337.search-card.all.click&vd_source=d5f2b87dc23c8806dfc6d9550f24aaf2

路线

书籍资源—理论概念—项目实践——思考记录——拓展

学习路径

python基础——人工智能导论——数据分析&数据处理——机器学习——sklearn实战——深度学习——pytorch——强化学习

还有其余的可以根据自己的研究方向进一步深入学习；
其中所涉及的有

Python 基础
语法、数据结构、函数、类
Vscode、Anaconda、Jupyter、Numpy、Pandas、Matplotlib

人工智能导论
历史简述：图灵测试、达特茅斯会议、符号主义 vs 连接主义
AI 分类：分类问题、预测问题、策略问题
基础算法：逻辑回归、线性回归、梯度下降

数据分析 & 数据处理
数据标准化、归一化
矩阵运算、特征提取、特征选择
超参数设置与调优

机器学习基础（sklearn 实战）
训练集、验证集、测试集
拟合、过拟合、欠拟合
评估指标：准确率、召回率、F1 分数
损失函数：均方误差、交叉熵损失

深度学习（PyTorch）
神经网络基础：输入层、隐藏层、输出层、权重、偏置、学习率
神经元、激活函数（Sigmoid、ReLU、Softmax）
前向传播、反向传播、梯度下降
优化器：SGD、Adam

深度学习进阶
CNN 卷积神经网络
RNN / LSTM / GRU：序列建模
Transerformer 架构的原理及实现（注意力机制，编码器，解码器，BERT/GPT）
实战：手写数字识别（MNIST）、初学者优先先拿完整的预训练项目直接训练来理解、房价预测、自主构建、SimpleCNN、SimpleRNN、MiniChat

强化学习入门
环境、状态、动作、奖励
Q-learning、DQN、策略梯度

以及算法计算过程和项目代码实战其中都有所包含

资料

python基础（这个就不补充了，B站找找全是）

机器学习

深度学习（视频内容可以根据顺序进行观看，也可以根据学习进度和需要跳着看）

（老师讲解的很好[赞] | 偏理论）

（sklearn——深度学习库，包含了很多深度学习项目，直接上手，加深理解 | 偏实战）

（深度学习库pytorch，也有深度学习的内容涉及，torch的常用深度学习架构 等 | 偏实战）

（搭配动手学深度学习书籍食用 | 偏实战）

（关于Transformer的理论框架解读，加深理解 | 过程推导）

强化学习

（这个挺好的，理论加实践，入门够用了，看完了可以做自己的项目 | 偏代码实现）

相关资源

相关教程平台

拓展

拓展：Ollama、Ollama Factory、Yolov5、GPT-SoVITS、Stable Diffusion、魔塔社区（https://www.modelscope.cn/）、Huggenface（https://huggingface.co/）、OpenWebUI（https://docs.openwebui.com/）、小智机器人 & MCP的实现 等等

之后可以根据自己的兴趣做一些感兴趣的东西
我举几个例子：
Ollama Factory微调后部署到群QQai助手（可以调成任何你想要的效果 小春警觉）
结合小智AI&MCP实现的语音交互控制的无人机
与开放世界游戏相结合实现虚拟人物对话（进阶的化通过MCP实现自主任务系统）
类J.A.R.V.I.S. 助手的虚拟人物效果（需要结合MCP协议以及控制终端的功能，我做过类似的：https://github.com/toke648/AI-Interactive-LLM-VTuber）
通过将神经网络模型的芯片连接到小鼠大脑，然后基于小鼠大脑的电信号数据进行直接的模糊性训练（研究脑神经和意识之间的关系）

拓展项目资料

语言模型本地部署 + WebUI（你甚至可以部署到服务器上开接口）

模型微调 + 部署

语音合成（GPT-SoVITS）

图像识别（Yolov5）
【非常优秀的教程视频，入门是绝对够了】

图像生成（NovelAI、Stable Diff）

【什么叫赛博佛祖啊【喜】】

这之类的还有很多，总之现在的AI日新月异，高级的理论知识我也不太搞得懂，但我依旧想要提出自己的观点——生成式认知主体

结语：

【人工智能】大语言模型不会带来AGI | 图灵奖得主Yann LeCun最新访谈 | LLM的局限性 | 缺乏物理世界理解 | 推理缺陷 | V-JEPA | OpenAI | 过度炒作 | 开源优势
https://www.youtube.com/watch?v=NmCPbqlLjzo

个人研究方向

生成式认知主体：探索 AI 如何通过交互逐步形成“我”的概念，研究感知、行动、时间性在人工智能中的涌现机制。

放点有趣的杂项

【自推】

【本人计算机入坑之作[赞]】

参考资料

posted @ 2025-09-17 10:54  tokepson  阅读(44)  评论(0)    收藏  举报