【AI】学习路径

AI学习路径

一：python篇：

第一部分从程序结构、函数、类等章节去掌握python基础用法

第二部分会教会大家如何用pandas、sklearn等工具包进行数据分析、可视化和机器学习模型的建立

第一章节：绪论

第二章节：anaconda安装

第三章节：语法基础与程序结构

3.1语法基础与程序结构（上）

3.2语法基础与程序结构（下）

第四章节：数据结构

4.1列表与元组

4.2字典与集合

4.3数据结构习题

第五章节：函数

5.1函数（上）

5.2函数（下）

第六章节：类和对象

第七章节：常用标准库

第八章节：numpy库

8.1numpy库（上）

8.2numpy库（下）

第九章节：pandas

9.1pandas（上）

9.2pandas（中）

9.3pandas（下）

第十章节：matplotlib库

第十一章节：机器学习基础

11.1机器学习基础

11.2数据实战（上）

11.3数据实战（下）

二：数学基础篇：

1，线性代数

1.1绪论+矩阵运算

1.2矩阵性质

1.3特征

1.4其他

2，概率论和随机过程

1.1绪论

1.2概率

1.3概率进阶

1.4随机变量与连续分布-1

1.5随机变量与连续分布-2

3，统计检验

1.1统计基础

1.2统计推理

三：PyTorch 深度学习实战篇

PyTorch是Facebook AI团队发布的深度学习框架，它的语法简洁易懂，且有很多基于pytorch衍生的函数库，有完整它能够实现张量运算和动态神经网络，支持GPU计算加速，具有很好的灵活性与易用性，是深度学习初学者复现论文，完成实验的首选框架。

包含实作一些经典的神经网络如DNN，CNN，RseNet，LSTM, Transformer等，以及如何应用模型到不同的场景的数据集中

课程1 pytorch 环境安装和基础操作

Anconda 介绍 安装

cuda, cudnn 安装

pytorch 安装

pycharm编译器介绍

tensor常用操作

Variable

Autograd

课程2 pytorch 数据集处理，模型训练part1

torch dataset 和torch dataloader

transform 和data augmentation

MLP实作

activation function 激活函数

loss function 损失函数

pytoch optimizer 优化器

训练，验证，测试流程

课程3 模型训练part，分布式训练

保存模型，调参，交叉验证

tensorboard 使用

欠拟合，过拟合和解决方案

Batch normalization 批归一化

Layer normalization 层归一化

pytorch DataParallel

pytorch distributedataparallel

apex 混合精度训练

课程4 cv模型介绍

图像输入

CNN

VGG

Resenet

课程5 cv任务介绍

图像分类

目标检测

语义分割

实例分割

课程6 nlp模型介绍

文本输入

RNN

LSTM

seq2seq

Transformer

bert

课程7 nlp任务介绍

文本分类

翻译

名词识别

问答

课程8 生成模型介绍

GAN和其衍生模型

VAE和其衍生模型

课程9 模型训练/学习方式

监督，无监督，半监督学习

迁移学习

持续学习

增量学

四：从零到第一篇SCI一个月吃透机器学习篇

以李航老师的经典书籍《统计学习方法－第二版》为教材

1. 先导课
   机器学习基本概念
   机器学习三大要素
   实验课程环境配置
2. 感知机原理及实战
   感知机模型
   感知机学习策略
   代码实现
3. K近邻原理及实战
   K近邻算法
   K近邻模型
   代码实现
4. 朴素贝叶斯原理及实战
   模型学习与分类
   朴素贝叶斯参数估计
   代码实现
5. 逻辑回归原理及实战
   逻辑回归模型
   最大熵模型
   最优化算法
   代码实现
6. PageRank原理及实战
   图模型
   随机游走
   代码实现
7. 大作业之真实场景下的NLP系统
   垃圾邮件过滤
   法律判决预测
   新闻摘要
8. 结课答辩
   项目展示及答辩
   科研前景规划

五："0→1"研究生科研进阶篇

1. 课程1
   课程体系介绍
   论文结构讲解
   研究课题思路
   文献研究方法
2. 课程2
   文献综述 写作方法
   转述与总结 方法讲解
   引用部分 内容讲解
3. 课程3
   模型与方法 写作方法
   研究计划书 写作方法
   4 课程4
   结果写作方法
   讨论写作方法
   结果 vs.讨论
4. 课程5
   结论写作方法
   引言写作方法
   摘要写作方法
5. 课程6
   附录内容讲解
   课程整体回顾
   选刊投稿说明
   其它TIPS

六：科研小白入门训练营一个月带你上手科研篇

1. 开营课
   训练营理念
   科研入门思维导图讲解
   科研项目介绍
2. 图像处理知识讲解及实战
   图像处理相关知识
   项目环境配置
   数据预处理代码讲解及演示
3. Python/Pytorch讲解及实战
   python最小化知识讲解
   pytorch框架上手演示
   数据加载代码讲解及演示
4. 论文精读演示及背景知识补充
   论文精读方法论介绍及演示
   论文阅读工具推荐及功能演示计
   论文背景知识完整讲解
5. 网络训练必备知识讲解及演示
   深度学习网络优化相关知识讲解型
   反向传播原理解析
   网络训练、测试优化代码讲解及展示
6. 论文代码结果复现
   论文方法复现及结果演示
   演示如何阅读代码、调试代码
   现场答疑互动
7. 论文代码结果改进
   演示如何思考idea
   演示如何根据idea来修改、调试代码
   现场答疑互动
8. 结课答辩
   训练营总结
   可思考idea方向推荐
   可结合热点方向推荐