AI Study，学习计划

10年毕业，直到18年基本都在一线研发，18~21年做团队管理，参与各个角色的工作，21年开始带PM团队直到现在；
也不知道是code血脉开始翻腾，还是最近对AI的兴趣导致技术无法回避，突然感觉还是喜欢Coding。

遂决定：
花两个月的时间复习编程技能，学习新的AI技术，成为一个合格的AI研发。在这里整理我的学习计划和进展，鞭策自己！！！

学习进展

【AI Study】第一天，多线程、文件操作

学习计划

第一阶段：基础夯实（第1-4周）

1. Python快速上手（第1周）

• 重点：语法差异、数据科学库、函数式编程
• 任务：
  • 用Python实现Java项目中的常用功能（如多线程、文件操作）
  • 掌握NumPy（数组操作）、Pandas（数据处理）、Matplotlib（可视化）
  • 学习装饰器、生成器、lambda表达式等Python特性

3. 数学基础补全（第2周）

• 重点：线性代数（矩阵运算）、概率论（贝叶斯定理）、微积分（梯度）
• 资源：
  • 《机器学习数学基础》（简明版）
  • 3Blue1Brown《线性代数的本质》视频

4. 机器学习核心（第3-4周）

• 算法学习：
  • 监督学习：线性回归、逻辑回归、决策树、随机森林
  • 无监督学习：K-means、PCA降维
  • 评估指标：准确率、召回率、F1-score、AUC-ROC
• 实战项目：
  • 使用Scikit-learn完成一个完整的分类项目（如鸢尾花分类）
  • Kaggle入门赛：泰坦尼克号生存预测

第二阶段：深度学习与实战（第5-8周）

1. 深度学习框架（第5-6周）

• 框架选择：PyTorch（入门友好）或TensorFlow
• 学习路径：
  • 神经网络基础（激活函数、反向传播）
  • 卷积神经网络（CNN，图像任务）
  • 循环神经网络（RNN/LSTM，序列任务）
• 实战项目：
  • 用PyTorch实现手写数字识别（MNIST数据集）
  • 搭建简单的图像分类模型（CIFAR-10）

2. 自然语言处理（NLP）或计算机视觉（CV）方向（第7周）

• 根据兴趣选择：
  • NLP：词向量（Word2Vec）、Transformer架构、文本分类
  • CV：目标检测（YOLO）、图像分割（U-Net）
• 项目实践：
  • 情感分析（IMDB影评数据集）
  • 人脸识别（FaceNet）

3. 特定Topic强化（第8周）

• 过拟合/欠拟合的解决方法
• 梯度下降与优化器（SGD、Adam）
• 模型评估与交叉验证