AI

💻 AI Roadmap

如果说，前两年的AI，隐隐约约会给人带来“取代工作”的错觉，那么在2025年，也就是今年，AI 已经从“概念”走向“现实”。
今年是工作的第8年，稀里糊涂的就进了IT行业，考虑到35岁危机，加上本就是行业相对边缘岗位（测试工程师），所以转型迫在眉睫。
写一篇AI学习路线的文章，来记录自己的学习历程。(同时整理在xmind！)

基础阶段

Python编程：

基础语法

  • 变量
  • 数据类型
  • 运算符
  • 控制结构
  • 函数
  • 文件操作
  • 异常处理
  • 模块和包

高级语法

  • 面向对象编程
  • 装饰器
  • 生成器
  • 迭代器
  • 协程
  • 多线程
  • 多进程
  • 网络编程
  • 数据库操作

数据分析

  • numpy
  • pandas
  • matplotlib
  • seaborn
  • scikit-learn
  • xgboost
  • lightgbm
  • catboost

数学基础

线性代数

  • 向量
  • 矩阵
  • 矩阵运算
  • 特征值分解

概率与统计

  • 基本概率
  • 分布
  • 期望
  • 方差
  • 贝叶斯理论

微积分

  • 基础导数
  • 梯度下降原理

机器学习基础

分类

  • 监督学习
    • 回归问题
    • 分类问题
  • 无监督学习
  • 半监督学习
  • 强化学习

常用算法

  • 线性回归
  • 逻辑回归
  • 决策树
  • 支持向量机SVM
  • 聚类算法
  • 随机森林
  • GBDT
  • KNN

实践工具 | 小项目实战

  • scikit-learn
  • xgboost
  • lightgbm
  • catboost
  • pytorch
  • tensorflow
  • Kaggle

学习链接

  1. 黑马程序员人工智能学习路线图2025
  2. 黑马程序员人工智能入门，13天的机器学习入门精讲+14大案例分析

其他概念

特征工程：使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用。

包含：

  1. 特征提取: 将任意数据（如文本或图像）转换为可用于机器学习的数值特征。
  2. 特征预处理: 对数据进行清洗、归一化、标准化等操作，使得数据更适合机器学习算法。
  3. 特征降维: 减少特征数量，避免维度灾难，提高模型性能。
  4. 特征选择: 从大量特征中选择出最重要的特征，减少模型复杂度。
  5. 特征构建: 根据业务需求和数据特点，构建新的特征。 [机器学习]
  6. 特征评估: 评估特征的重要性，选择最佳特征组合。
  7. 特征转换: 将特征转换为更适合机器学习算法的格式。
  8. 特征融合: 将多个特征融合成一个特征，提高模型性能。

机器学习算法分类

In Out 目的 案例
监督学习
Supervised Learning		 有标签 有反馈 预测结果 猫狗分类、房价预测
无监督学习
Unsupervised Learning		 无标签 无反馈 发现潜在结构 "物以类聚，人以群分"
半监督学习
Semi-Supervised Learning		 部分有标签，部分无标签 有反馈 降低数据标记的难度
强化学习
Reinforcement Learning		 决策流程及激励系统 一系列行动 长期利益最大化 学下棋

模型评估: → 准确率

  • 拟合
  • 过拟合
  • 欠拟合

深度学习：机器学习的一个分支，使用神经网络来学习数据的模式和特征。