一、数学基础：AI 的底层支撑（嵌入式开发者可针对性突破）
无需深度学习纯数学理论，重点掌握与 AI 算法直接相关的核心知识点，推荐课程兼顾 "易懂性 + 实用性"：
✅ 线性代数（必备）
- 核心内容：矩阵运算、向量空间、特征值分解、PCA 降维（边缘 AI 模型压缩常用）
- 学习目标：能理解神经网络中矩阵乘法、卷积运算的数学逻辑，看懂模型参数维度变化
✅ 概率与统计（核心）
- 核心内容：概率分布（二项分布、正态分布）、期望与方差、极大似然估计、贝叶斯定理（分类算法基础）
- 学习目标：能解释模型评估指标（准确率、召回率），理解随机梯度下降的概率逻辑
✅ 微积分（选修，按需学习）
- 核心内容：导数、偏导数、链式法则（神经网络反向传播核心）、梯度下降原理
- 学习目标：无需推导复杂公式，能理解 "梯度下降为何能优化模型参数" 即可
二、编程基础：AI 开发的工具必备（嵌入式开发者可快速迁移技能）
嵌入式开发者已掌握 C 语言，重点补充 Python（AI 生态核心）和数据处理工具：
✅ Python 编程（必学）
- 核心内容：语法基础、函数编程、面向对象、常用库（numpy/pandas/opencv）
- 学习目标：能独立编写数据读取、预处理、模型调用代码，熟练使用 numpy 处理矩阵运算（与嵌入式 C 语言逻辑互通）
✅ 数据处理与可视化（核心）
- 核心内容：numpy 数组操作、pandas 数据清洗、matplotlib/seaborn 可视化（AI 模型调试必备）
- 学习目标：能处理 AI 训练数据（如图片标注、特征提取），通过可视化分析模型效果
三、AI 核心算法：从理论到嵌入式落地（聚焦边缘 AI 场景）
无需啃透所有算法，重点掌握 "嵌入式能部署的轻量级模型" 相关理论与实战：
✅ 机器学习基础（必学）
- 核心内容：监督学习（分类 / 回归）、无监督学习（聚类）、模型评估指标（准确率 / 召回率 / F1）、过拟合与正则化
- 实战项目：用 scikit-learn 实现简单图像分类（如水果识别），理解 "特征提取 - 模型训练 - 评估优化" 全流程
✅ 深度学习入门（核心，边缘 AI 重点）
- 核心内容：神经网络基础（CNN 卷积神经网络、激活函数 ReLU）、轻量级模型（MobileNet、YOLOv5-tiny）、模型量化与压缩（嵌入式部署关键）
- 学习目标：能理解 CNN 图像识别原理，掌握 "训练 - 量化 - 导出" 流程（适配嵌入式端低算力场景）
✅ 计算机视觉（嵌入式 AI 高频场景，必学）
- 核心内容：图像预处理（裁剪 / 缩放 / 归一化）、目标检测（YOLO 系列）、图像分割基础、OpenCV 实战
- 实战项目：用 YOLOv5-tiny 训练自定义数据集（如工业零件缺陷检测），导出为 ONNX 格式（嵌入式部署通用格式）
四、嵌入式 AI 部署：打通 "算法到硬件" 最后一公里（核心竞争力）
这是嵌入式开发者的优势领域，重点学习模型在 MCU / 边缘芯片上的部署技术：
✅ 模型量化与压缩（必学）
- 核心内容：INT8 量化、模型剪枝、知识蒸馏（降低模型体积与算力消耗）
- 学习目标：能将训练好的模型量化为 INT8 格式，体积压缩 75% 以上（适配 STM32/ESP32 等嵌入式硬件）
✅ 嵌入式 AI 框架实战（核心）
- 核心内容：TensorFlow Lite（轻量级部署框架）、NCNN（腾讯开源，嵌入式端高效推理）、边缘芯片适配（如瑞芯微 RK3568、恩智浦 i.MX8）
- 实战项目：在 ESP32-S3（支持 AI 加速）上部署量化后的图像分类模型，实现实时推理（与嵌入式 C 语言开发结合）
五、学习路径规划（6-9 个月可落地）
💪**基础阶段（1-2 个月）：**Python + 线性代数 / 概率统计 + OpenCV 基础
💪**核心阶段（2-3 个月）：**机器学习基础 + 深度学习 CNN + 简单图像分类项目
💪**实战阶段（2-3 个月）：**轻量级模型训练（YOLOv5-tiny） + 模型量化压缩
💪**部署阶段（1 个月）：**TensorFlow Lite/NCNN 部署 + 嵌入式硬件实战（如 STM32/ESP32）
人工智能学习资料：
