从深度学习到 AI 实战：全体系人工智能教程

---

📚 教程简介

这是一套面向零基础到中高级学习者的人工智能完整体系教程，涵盖从数学基础、机器学习、深度学习，到大语言模型、多模态学习、AI Agent 等各个方向。

特点：

• 🐣 从浅入深：无需深厚背景知识，循序渐进
• 📖 图文并茂：善用 mermaid 图表、架构图、流程图
• 🔬 专业准确：每个概念均有公开资料支撑，附参考资料
• 💡 直白易懂：用通俗语言讲解专业概念

适合人群：

• AI 初学者，想系统学习人工智能
• 已有一定基础，想深入某个专项方向
• 开发者，想了解 AI 前沿进展
• 产品经理、研究者，想了解 AI 技术原理

---

📂 教程结构

📦 AI-Tutorial
├── README.md                      ← 你在这里
├── SUMMARY.md                     ← 完整目录（用于文档导航）
└── chapters/                      ← 正文章节
    ├── PART0-人工智能导论/
    ├── PART1-数学基础/
    ├── PART2-机器学习基础/
    ├── PART3-深度学习核心/
    ├── PART4-卷积神经网络CNN/
    ├── PART5-序列建模与循环网络/
    ├── PART6-Transformer与预训练/
    ├── PART7-大语言模型LLM/
    ├── PART8-生成式AI/
    ├── PART9-高级学习范式/
    ├── PART10-训练优化与部署/
    ├── PART11-计算机视觉进阶/
    ├── PART12-多模态与Agent/
    ├── PART13-行业应用与前沿/
    └── PART14-AI伦理与安全/

---

🗂️ 完整章节导航

🌱 入门篇（打牢基础）

部分	章节	内容
PART0	0-1 人工智能概述	什么是AI？弱/强/超AI分类、图灵测试
PART0	0-2 人工智能发展史	1950s感知机 → 深度学习崛起 → LLM时代
PART1	1-1 线性代数基础	向量、矩阵、特征值、SVD、张量
PART1	1-2 概率论基础	概率分布、贝叶斯定理、MLE
PART1	1-3 微积分基础	导数、链式法则、梯度下降
PART1	1-4 信息论基础	熵、交叉熵、KL散度
PART2	2-1 机器学习概述	监督/无监督/半监督/弱监督/自监督
PART2	2-2 经典机器学习算法	线性回归、决策树、SVM、朴素贝叶斯、KNN
PART2	2-3 模型评估与验证	交叉验证、ROC/AUC、过拟合/欠拟合
PART2	2-4 特征工程	特征提取/选择/降维、PCA、标准化

🔥 核心篇（深度学习）

部分	章节	内容
PART3	3-1 神经网络基础	感知机、MLP、权重偏差
PART3	3-2 激活函数	Sigmoid、ReLU、Tanh、GELU
PART3	3-3 损失函数	MSE、交叉熵、对比损失
PART3	3-4 正向传播与反向传播	计算图、链式法则、梯度消失/爆炸
PART3	3-5 优化算法与正则化	SGD→Adam、Dropout、BN、L1/L2
PART4	4-1 CNN原理	卷积核、步幅、填充、感受野
PART4	4-2 CNN核心操作	池化、BN、全连接层
PART4	4-3 经典CNN架构	LeNet→AlexNet→VGG→ResNet
PART4	4-4 CNN应用	图像分类、目标检测、语义分割
PART5	5-1 RNN原理	循环神经元、BPTT、梯度消失
PART5	5-2 RNN变体	LSTM、GRU、BiLSTM
PART5	5-3 Seq2Seq模型	编码器-解码器、注意力机制
PART6	6-1 注意力机制	Self-Attention、Q/K/V、多头注意力
PART6	6-2 Transformer架构	编码器-解码器、位置编码
PART6	6-3 BERT与预训练语言模型	MLM、NSP、预训练+微调
PART6	6-4 GPT系列与生成式预训练	GPT-1→GPT-4、零样本学习
PART6	6-5 注意力机制在CV中的应用 ⭐补充	SE-Net、CBAM、ECA、SimAM
PART6	6-6 词向量与预训练技术 ⭐补充	Word2Vec、CBOW/Skip-Gram、MoCo、SimCLR
PART6	6-7 Transformer变体与高效注意力 ⭐补充	Longformer、BigBird、Reformer、Performer、Linformer
PART6	6-8 CNN在NLP中的应用与膨胀卷积 ⭐补充	TextCNN、膨胀卷积、GLU、ConvNeXt、CoAtNet
PART6	6-9 混合专家模型MoE与Switch Transformer ⭐补充	MoE、Switch Transformer、负载均衡、Mixtral、DeepSeek

🚀 进阶篇（主流技术）

部分	章节	内容
PART7	7-1 LLM基础与主流模型	GPT-4/Claude/LLaMA/Qwen/DeepSeek
PART7	7-2 LLM训练技术	预训练、SFT、RLHF、DPO
PART7	7-3 Prompt Engineering	Zero-shot、Few-shot、CoT、结构化输出
PART7	7-4 LLM进阶技术	LoRA、QLoRA、Flash Attention、RAG
PART8	8-1 生成对抗网络GAN	GAN原理、DCGAN、WGAN、StyleGAN
PART8	8-2 扩散模型Diffusion	DDPM、DDIM、CFG、vs GAN对比
PART8	8-3 文生图与视频生成	Stable Diffusion、Sora、Runway
PART9	9-1 小样本学习与元学习	Few-shot、MAML、Prototypical Networks
PART9	9-2 零样本学习与CLIP	CLIP、Zero-shot、Prompt Tuning
PART9	9-3 强化学习基础	MDP、Q-Learning、DQN、PPO
PART9	9-4 图神经网络与知识图谱	GCN、GraphSAGE、GAT、TransE
PART9	9-5 联邦学习与隐私保护 ⭐补充	联邦学习、隐私计算、FedAvg
PART9	9-6 知识图谱与智能问答系统 ⭐补充	KGQA、SPARQL、多轮问答

⚙️ 实战篇（工程部署）

部分	章节	内容
PART10	10-1 学习率与Batch-Size	Warmup、Cosine衰减、线性缩放
PART10	10-2 混合精度与分布式训练	FP16/BF16、DDP、FSDP、DeepSpeed
PART10	10-3 模型压缩与优化	知识蒸馏、剪枝、量化、TensorRT
PART10	10-4 模型部署实战	ONNX导出、Docker、OpenVINO、TFLite
PART10	10-5 梯度累加与显存优化 ⭐补充	梯度累加、显存优化

🎯 应用篇（行业落地）

部分	章节	内容
PART11	11-1 目标检测进阶	R-CNN、YOLO、Anchor-Free、NMS
PART11	11-2 语义分割与实例分割	FCN、U-Net、DeepLab、Mask R-CNN
PART11	11-3 图像生成与编辑	ESRGAN、风格迁移、CycleGAN
PART11	11-4 神经渲染与3D视觉	NeRF、3D Gaussian Splatting、SLAM
PART11	11-5 视觉应用补充阅读 ⭐补充	OCR、细粒度识别、运动检测
PART12	12-1 多模态学习	BLIP、LLaVA、GPT-4V、Gemini
PART12	12-2 AI Agent 基础	自主规划、Function Calling、记忆系统
PART12	12-3 Multi-Agent与具身智能	多智能体协作、VLA模型、具身AI
PART13	13-1 AI for Science	AlphaFold、GraphCast、材料发现
PART13	13-2 自动驾驶AI	端到端、BEV感知、占用网络
PART13	13-3 地理空间AI	遥感影像、GIS+深度学习
PART13	13-4 时间序列AI	Transformer时序预测、金融量化
PART13	13-5 World Model与AI Safety	世界模型、具身智能、Constitutional AI
PART13	13-6 数字孪生 ⭐补充	数字孪生、仿真、工业应用

🛡️ 伦理篇（安全责任）

部分	章节	内容
PART14	14-1 AI伦理与对齐	AI伦理原则、RLHF对齐、Constitutional AI
PART14	14-2 AI安全与对抗	FGSM/PGD攻击、数据投毒、差分隐私

---

📊 教程统计

项目	数值
总部分数	14
总章节数	65
补充阅读章节数	10
总行数	~18,500 行
Mermaid 图表	179 个
思维导图	65 个
配图图片	34 张
绘图代码	32 个 Python 脚本
预计总字数	~8万字
涵盖领域	数学基础 → ML → DL → CV → NLP → LLM → 多模态 → Agent → 行业应用 → AI伦理

---

🔗 快速导航

• 数学基础 - 线性代数、概率论、微积分、信息论
• 机器学习 - 经典算法、模型评估、特征工程
• 深度学习 - 神经网络、激活函数、优化器
• CNN - 卷积操作、经典架构、应用
• RNN - 序列建模、LSTM/GRU、Seq2Seq
• Transformer - 注意力机制、BERT、GPT
• 大语言模型 - LLM训练、Prompt、LoRA、RAG
• 生成式AI - GAN、Diffusion、SD、Sora
• 高级学习范式 - 小样本学习、强化学习、GNN
• 训练优化 - 分布式训练、模型压缩、部署
• 计算机视觉 - 目标检测、分割、OCR/细粒度识别/运动检测、NeRF
• 多模态与Agent - 多模态学习、AI Agent
• 行业应用 - AI for Science、自动驾驶、Geo AI
• AI伦理 - 对齐问题、对抗安全

---

这个教程的来源

这个教程里面的一些内容，是我曾经上网课的一些课件，里面还有很多是我的经验和一些网络资料，素材的积累。

曾经一直说要花点时间整理一下，做一个系统性的，完整的扫盲教程，但是苦于没有足够的精力，以及个人的懒惰（当然也有一部分是因为版权的束缚）。现在有了AI agent，吩咐我的agent，花了几块钱的token，整理了一下。重新编写了所有内容，重绘所有的图表，提取知识点，精炼内容等等。

现在，公开发布共享。

---