AI 知识体系总览
什么是人工智能？
人工智能（Artificial Intelligence, AI） 是计算机科学的一个分支，致力于创造能够执行通常需要人类智慧才能完成的任务的系统。
AI 不是一种单一技术，而是一个由多个子领域组成的技术体系：
人工智能 (AI)
├── 机器学习 (Machine Learning)
│ ├── 监督学习（线性回归、SVM、决策树...）
│ ├── 无监督学习（聚类、降维...）
│ └── 强化学习（Q-Learning、PPO...）
├── 深度学习 (Deep Learning)
│ ├── 神经网络基础（FNN、CNN）
│ ├── 序列模型（RNN、LSTM、GRU）
│ └── Transformer 架构
└── 自然语言处理 (NLP)
├── 文本表示（Word2Vec、GloVe）
├── 预训练模型（BERT、GPT）
└── 大语言模型（LLM）知识体系结构
本知识库按照从基础到进阶的逻辑顺序组织，共分为以下几个部分：
🧮 第一篇：数学基础
AI 的根基是数学。掌握以下数学知识是理解所有算法的必要条件：
| 模块 | 核心内容 |
|---|---|
| 线性代数 | 向量、矩阵、范数、特征值分解 |
| 微积分与优化 | 导数、梯度、链式法则、泰勒展开 |
| 向量化计算 | NumPy 矩阵运算加速技巧 |
| 归一化与标准化 | Min-Max 归一化、Z-Score 标准化 |
🤖 第二篇：机器学习
从传统机器学习算法入手，理解 AI 的基本工作方式：
| 模块 | 核心内容 |
|---|---|
| ML 概述 | 监督/无监督/强化学习范式 |
| 特征工程 | 特征选择、变换、降维 |
| 模型评估 | 损失函数、正则化、过拟合 |
| 评估指标 | 准确率、精确率、召回率、F1、AUC |
📊 第三篇：监督学习算法
| 算法 | 适用场景 |
|---|---|
| 线性回归 | 连续值预测 |
| 逻辑回归 | 二分类问题 |
| K 近邻 (KNN) | 小数据集分类/回归 |
| 决策树 | 可解释性分类 |
| 支持向量机 (SVM) | 高维小样本分类 |
| 朴素贝叶斯 | 文本分类 |
| 感知机 | 线性可分问题 |
🌲 第四篇：集成学习
| 算法 | 适用场景 |
|---|---|
| 集成学习概述 | Bagging vs Boosting vs Stacking |
| 随机森林 | 通用分类/回归 |
| 梯度提升 GBDT | 高精度预测 |
| AdaBoost | 自适应提升 |
| XGBoost | 竞赛神器，表格数据 |
| LightGBM | 高效大数据处理 |
🔵 第五篇：无监督学习
| 模块 | 核心内容 |
|---|---|
| 聚类算法 | K-Means、层次聚类、DBSCAN |
| 降维技术 | PCA、t-SNE、UMAP |
🧠 第六篇：深度学习基础
| 模块 | 核心内容 |
|---|---|
| 深度学习介绍 | 什么是深度学习，与 ML 的区别 |
| 激活函数 | Sigmoid、ReLU、Softmax 的演进史 |
| 损失函数 | MSE、交叉熵、对比损失 |
| 前向/反向传播 | 链式法则，计算图 |
| 优化器 | SGD → Adam → AdamW |
| 参数初始化与正则化 | Dropout、BatchNorm、权重衰减 |
🏗️ 第七篇：神经网络架构
| 架构 | 核心内容 |
|---|---|
| 前馈神经网络 FNN | 多层感知机基础 |
| 循环神经网络 RNN | 序列建模，时间步 |
| 长短期记忆 LSTM | 门控机制，长距离依赖 |
| 门控循环单元 GRU | LSTM 的轻量版 |
| Seq2Seq | 编码器-解码器框架 |
⚡ 第八篇：Attention 与 Transformer
| 模块 | 核心内容 |
|---|---|
| 注意力机制 | Q/K/V，加权求和，可视化 |
| Transformer 架构 | 编码器-解码器，完整数据流 |
| 自注意力与多头注意力 | 并行化的全局感知 |
| 位置编码 | 为什么 Transformer 需要位置信息 |
📝 第九篇：NLP 基础
| 模块 | 核心内容 |
|---|---|
| NLP 导论 | NLP 定义、任务和挑战 |
| NLP 发展史 | 规则 → 统计 → 深度学习 → 大模型 |
| 文本预处理 | 分词、子词、词表构建 |
| 文本表示 | Word2Vec、GloVe、FastText |
🌟 第十篇：预训练语言模型
| 模型 | 核心内容 |
|---|---|
| GPT 系列 | 自回归语言模型，解码器架构 |
| BERT | 双向编码，Masked LM |
| BERT 变体 | RoBERTa、ALBERT、DistilBERT |
🚀 第十一篇：现代 AI 与大语言模型
| 模块 | 核心内容 |
|---|---|
| 大语言模型 (LLM) | GPT-4、LLaMA、Claude 的技术原理 |
| 提示工程 | CoT、Few-shot、提示设计最佳实践 |
| 对齐技术 | RLHF、DPO、Constitutional AI |
🛠️ 第十二篇：工程实践
| 模块 | 核心内容 |
|---|---|
| HuggingFace 生态 | Transformers、Datasets、Tokenizers |
| 模型微调 | LoRA、QLoRA、全量微调 |
| 模型部署 | vLLM、ONNX、量化、推理优化 |
学习路径建议
🎯 路径一：AI 入门（无基础）
数学基础 → 机器学习概述 → 线性回归 → 逻辑回归 → 决策树 →
集成学习 → 深度学习基础 → Transformer → 大语言模型预计时间： 3-6 个月
🎯 路径二：深度学习工程师
数学基础（快速回顾）→ 深度学习基础 → 神经网络架构 →
Transformer → 预训练模型 → 微调 → 工程部署预计时间： 2-4 个月
🎯 路径三：NLP 专项
文本预处理 → 文本表示 → 序列模型 → Attention → Transformer →
BERT/GPT → 大语言模型 → 提示工程预计时间： 2-3 个月
💡 学习建议： 每个章节都包含理论讲解、数学推导和代码实现。建议在阅读理论后，动手实现代码，加深理解。