AI Roadmap

1. 基础部分

1.1 Python

1.1.1 基础知识

• 注释
• Python六大数据类型
• 比较运算符和关系运算符
• 判断语句
• 循环语句

1.1.2 函数

• 函数的定义
• 函数中的变量
• 高级函数用法
• 文件操作

1.1.3 面向对象

• 类和对象
• 魔法方法
• 类属性和类方法
• 继承
• 多态
• 模块的介绍和制作
• 包和库
• pip

1.2 数学

《白话机器学习的数学》

1.2.1 高等数学

• 函数、极限和连续
• 导数与微分
• 微分中值定理和导数的应用
• 函数的积分
• 定积分的应用
• 向量与空间解析几何
• 多元函数微分学
• 多元函数微分学的应用
• 常微分方程

1.2.2 线性代数

• 矩阵
• N维向量与空间向量
• 线性方程组
• 矩阵的特征值与二次型

1.2.3 概率论

• 随机事件与概率
• 随机变量及其分布
• 多维随机变量及其分布
• 大数定律和中心极限定理

1.2.4 机器学习数学基础

• 卷积
• 信号的分析
• 傅立叶变换及其扩展变换
• 滤波及机器学习

1.2.5 最优化方法

• 最优化问题及数学预备知识
• 凸性
• 最优性条件
• 算法的概念

2. 工具及软件

2.1 NumPy

• 数据类型
• 常用函数

2.2 Pandas

• 简介
• 数组属性
• 数据处理
• 函数
• TQDM

2.3 数据分析实战

《利用Python做数据分析》

• 数据清洗
• 数据统计

2.4 深度学习

2.4.1 PyTorch

《PyTorch快速入门教程》

• 基本数据类型
• 张量
  • 张量的性质
  • 创建张量
• 索引
• 维度变换
• 拼接与拆分
• 运算与统计
• 基于PyTorch实现神经网络算法

2.4.2 TensorFlow

北京大学TensorFlow 2.0公开课

• 设置TensorFlow
• 加载数据集
• 构建神经网络模型
• 训练并评估模型

3. 机器学习

3.1 机器学习理论入门

吴恩达机器学习2022

书：《吴恩达机器学习手册》《李航统计学习方法》《机器学习》（西瓜书）

看不懂书，可以参考刘建平博客，刘建平仓库

• ‼️统计学习及监督学习概论
• ‼️感知机
• ‼️K邻近法
• ‼️朴素贝叶斯法
• ‼️决策树
• ‼️罗辑回归
• ‼️支持向量机
• 提升树
• EM模型
• 隐马尔可夫模型
• 条件随机场
• ‼️梯度下降优化方法
• XGBoost
• LigtBGM

3.2 机器学习实战入门

• 推荐竞赛项目：kaggle房价预测任务

《阿里云天池大赛赛题解析——机器学习篇》

• 工业蒸汽预测
• 天猫用户重复购买预测
• o2o优惠券预测
• 阿里云安全恶意程序检测

4. 深度学习

邱锡朋《神经网络与深度学习》

花书

4.1 计算机视觉

李飞飞CS231N计算机视觉

• 图像分类
  • Transformer
  • CNN卷积神经网络
  • MLP
• 目标检测
  • YOLO
• 图像分割
  • FCN
  • FPN
  • U-Net
• 目标跟踪
  • deepsort
  • YOLO
• 图像生成
  • GAN

4.2 自然语言处理

斯坦福CS224N自然语言处理

• 文本分类 KNN
• 文本匹配 DSSM
• 文本生成 RNN
• 序列标注 HMM