入门姿势简单粗暴：打一些必要的基础就跑步进入Transformer。
大模型时代，传统的算法，像分词、词性标注，被替代得非常厉害，在入门阶段没必要花费太多精力在传统算法上面。
数学和编程基础
数学：
高数、线数、概率统计。大学水平就可以，如果基础差，可以后续边学边补。
Python：
语言推荐python，基本上绕不过去。不用学太深，掌握Python的基本语法、数据类型、控制结构（如循环和条件语句）、函数等就够了
推荐资源：b站小甲鱼
pytorch：
深度学习的主流框架之一。
推荐b站刘二大人《PyTorch深度学习实践》、我是土堆的《pytorch深度学习快速入门教程》
跑步进入Transformer
学习Transformer模型的基本架构和原理，包括自注意力机制、位置编码、多头注意力等等。
推荐资料：
吴恩达的deeplearning系列课程
斯坦福CS224-深度学习自然语言处理
李沐老师的《动手学深度学习》
都是经典，选自己能听得下去的听，完成作业，在这个过程中构建完整的知识体系版图。
Hugging Face Transformers：使用Hugging Face Transformers库来加载、训练、评估模型以及完成下游NLP任务。
预训练大语言模型
最近几年，随着gpt4，llama等带起的百模大战持续火热，预训练大模型这块的研究、应用和发展都受到了广泛的关注。尤其到了现今企业纷纷开始卷应用落地的时候，用人市场现状就是一方面有缺口，另一方面真正有全面项目落地经验的人才太少了。
像预训练大模型整套知识体系，包括常见的预训练模型、模型结构、主要的预训练任务等等，必须要有所侧重地学明白，无论是科研还是就业，都是重中之重。PEFT（Parameter-Efficient Fine-tuning）要学，有机会动手训一个大语言模型可行性比较低，但微调是每个人都可以实践的。另外就是要回langchain进行下游任务的开发。
项目实践
除了参加学校实验室的项目，做开源项目、参加实习都是获得项目实践机会的方法。还有就是参加竞赛。这些竞赛项目一般会提高提供基本的数据集以及要解决的问题，同时也会给出一些baseline代码作为参考，非常有助于入门学习。
1）Kaggle Kaggle大名鼎鼎的竞赛社区，有很多有意思的数据集和任务，可以通过参加Kaggle机器学习比赛来下载相关数据集。
2）天池大赛
阿里云举办的竞赛，完全来自真实业务场景。每场赛事沉淀的课题和数据集，在天池保留和开放。
国内的竞赛还有很多，和鲸，华为云，datafountain等。
大模型时代，考虑到成本和安全，在实际应用中，选择私有化部署一套自己的百亿量级的大模型的情况还是非常多的。因此项目实践中药着重锻炼的不但有编码能力，还有工程能力。
大量阅读经典论文，积累代码经验
阅读论文是获取知识和理解最新进展的重要途径。一个是细分领域的经典论文，包括baseline；另一个是前沿方案。针对论文中提到的陌生知识点，去有意识地学习；还可以通过关注论文的引用和参考文献来扩展阅读范围。
基础倒回来补 传统算法的基础知识对于模型可解释性、模型调试等方面具有重大意义。因此在掌握了Transformer等现代模型后，可以倒回来补充学习这些传统算法的基础知识，以达到更全面地理解NLP技术的本质和应用的目的。
为面试做准备 除了理论知识基础、项目经验、实习经验，按照当前的内卷形式，留出时间来专门准备面试是非常有必要的。可以尽可能多地过一些leetcode，多看一些面经分享。针对AIGC算法工程师方面，建议单做一份简历，真的香。
