AI学习计划 - BeiTown/AI-History GitHub Wiki
第一阶段：人工智能概述与数学基础（0 - 3个月）
学习目标
- 理解人工智能的基本概念、发展历程及应用领域
- 掌握数学基础：线性代数、概率论、统计学、微积分
学习内容与计划
第1-2周：人工智能概述
-
内容：AI的定义与目标，历史发展，现代应用领域
-
教材：《人工智能：一种现代方法》- Stuart Russell & Peter Norvig
-
实践任务：总结AI的基本定义与应用案例
-
相关教辅：
- 视频：YouTube上的AI基础课程（CS50 AI）
- 其他推荐书籍：《人工智能：结构与策略》- George F. Luger
第3-4周：线性代数基础
-
内容：向量、矩阵及运算，特征值与特征向量
-
教材：《线性代数及其应用》- David C. Lay
-
实践任务：使用Python进行矩阵运算，应用NumPy库
-
相关教辅：
- 视频：Khan Academy的线性代数课程（[Khan Academy Linear Algebra](https://www.khanacademy.org/math/linear-algebra)）
- 课程：MIT OpenCourseWare线性代数课程（MIT OCW Linear Algebra）
第5-6周：概率论与统计学
-
内容：条件概率、贝叶斯定理，正态分布，期望与方差
-
教材：《统计学习方法》- 李航，Khan Academy概率课程
-
实践任务：计算正态分布的概率，进行假设检验
-
相关教辅：
- 视频：Khan Academy概率与统计课程（[Khan Academy Probability and Statistics](https://www.khanacademy.org/math/statistics-probability)）
- 课程：Coursera上的“概率论与随机过程”课程
第7-8周：微积分基础
-
内容：导数与偏导数，梯度下降法，链式法则
-
教材：《微积分：早期学习者》- James Stewart
-
实践任务：编写梯度下降算法，理解梯度更新
-
相关教辅：
- 视频：Khan Academy微积分课程（[Khan Academy Calculus](https://www.khanacademy.org/math/calculus-1)）
- 课程：MIT OpenCourseWare微积分课程（MIT OCW Calculus）
第二阶段：机器学习基础（3 - 6个月）
学习目标
- 理解并掌握机器学习算法，能够应用机器学习解决问题
- 掌握数据预处理、特征工程、模型评估等核心概念
学习内容与计划
第1-2周：监督学习算法
-
内容：线性回归、逻辑回归，SVM，K近邻（KNN），决策树
-
教材：《机器学习》- 周志华，《Python机器学习》- Sebastian Raschka
-
实践任务：实现线性回归与逻辑回归模型，进行分类任务
-
相关教辅：
- 视频：Coursera的Andrew Ng机器学习课程（[Andrew Ng's Machine Learning Course](https://www.coursera.org/learn/machine-learning)）
- 书籍：《Python机器学习》- Sebastian Raschka
第3-4周：无监督学习与聚类
-
内容：K-means、DBSCAN、层次聚类，PCA降维
-
教材：《Python数据科学手册》- Jake VanderPlas
-
实践任务：使用K-means进行客户分群，使用PCA进行降维与可视化
-
相关教辅：
- 视频：Coursera上的无监督学习课程
- 教程：K-means 聚类算法教程
第5-6周：模型评估与选择
-
内容：交叉验证、精确率、召回率、F1分数、ROC曲线
-
教材：《Python机器学习》- Sebastian Raschka
-
实践任务：在模型上应用交叉验证，绘制ROC曲线
-
相关教辅：
- 视频：YouTube的机器学习模型评估视频
- 课程：Coursera的模型评估与调优课程
第三阶段：神经网络与深度学习（6 - 9个月）
学习目标
- 掌握神经网络原理与深度学习模型
- 能够构建并训练神经网络，掌握CNN、RNN等深度学习技术
学习内容与计划
第1-2周：神经网络基础
-
内容：神经元、感知机、前馈神经网络（FNN），反向传播与梯度下降
-
教材：《神经网络与深度学习》- Michael Nielsen，《深度学习》- Ian Goodfellow
-
实践任务：实现一个简单的神经网络进行MNIST数字分类
-
相关教辅：
- 视频：深度学习入门视频系列（YouTube）
- 书籍：《神经网络与深度学习》- Michael Nielsen（可免费在线阅读）
第3-4周：卷积神经网络（CNN）
-
内容：卷积操作、池化层，经典CNN架构：LeNet、AlexNet、VGG
-
教材：《深度学习》- Ian Goodfellow，《动手学深度学习》- 李沐
-
实践任务：实现CNN进行手写数字分类，构建VGG网络进行图像分类
-
相关教辅：
- 视频：Coursera深度学习专项课程（[Deep Learning Specialization](https://www.coursera.org/specializations/deep-learning)）
- 教程：Keras深度学习教程（Keras Tutorials）
第5-6周：深度学习优化与Regularization
-
内容：优化算法：Adam、RMSprop，正则化：Dropout、L2正则化
-
教材：《深度学习》- Ian Goodfellow
-
实践任务：实现不同优化算法，进行模型调优，使用Dropout防止过拟合
-
相关教辅：
- 视频：YouTube上的深度学习优化教程
- 教程：TensorFlow官方优化教程
第四阶段：计算机视觉与目标检测（9 - 12个月）
学习目标
- 掌握计算机视觉中的目标检测、图像分割等技术
- 能够使用深度学习模型进行图像处理任务
学习内容与计划
第1-2周：图像分类与目标检测
-
内容：图像分类（CNN），目标检测（R-CNN、YOLO、SSD）
-
教材：《深度学习与计算机视觉》- 相关教程
-
实践任务：实现YOLO进行目标检测，训练ResNet进行图像分类
-
相关教辅：
- 视频：[YouTube YOLO教程](https://www.youtube.com/watch?v=MPU2HistivI)
- 代码库：YOLO GitHub代码库（[YOLOv4 GitHub](https://github.com/AlexeyAB/darknet)）
第3-4周：图像分割与深度学习应用
-
内容：图像分割（FCN、U-Net、Mask R-CNN）
-
教材：《动手学深度学习》- 李沐
-
实践任务：实现Mask R-CNN进行图像分割任务
-
相关教辅：
第五阶段：自然语言处理（12 - 15个月）
学习目标
- 掌握自然语言处理的核心算法与技术
- 学会构建并应用预训练模型（BERT、GPT）
学习内容与计划
第1-2周：文本处理与词向量
-
内容：分词、词性标注、命名实体识别，Word2Vec
-
教材：《Python自然语言处理》- Steven Bird
-
实践任务：实现Word2Vec训练词向量，应用TF-IDF进行文本向量化
-
相关教辅：
- 视频：[YouTube Word2Vec教程](https://www.youtube.com/watch?v=ERibwqs9p38)
- 课程：Coursera的自然语言处理课程
第3-4周：序列到序列模型（Seq2Seq）与Transformer
-
内容：Seq2Seq模型，Transformer架构，BERT、GPT预训练模型
-
教材：《深度学习》- Ian Goodfellow
-
实践任务：实现Seq2Seq进行机器翻译，应用BERT进行文本分类
-
相关教辅：
- 视频：[YouTube上的Transformer原理讲解](https://www.youtube.com/watch?v=O5xAoGg0K6E)
- 教程：Hugging Face的BERT教程（BERT Hugging Face）
第六阶段：强化学习（15 - 18个月）
学习目标
- 理解强化学习的核心算法与理论
- 能够应用强化学习算法解决实际问题
学习内容与计划
第1-2周：强化学习基础
-
内容：马尔可夫决策过程（MDP），Q-learning
-
教材：《强化学习》- Richard Sutton
-
实践任务：实现Q-learning算法进行迷宫求解
-
相关教辅：
第3-4周：深度Q网络（DQN）与策略梯度
-
内容：DQN、策略梯度方法
-
教材：《强化学习》- Richard Sutton
-
实践任务：使用OpenAI Gym进行深度Q网络的训练
-
相关教辅：
- 视频：[深度Q学习教程](https://www.youtube.com/watch?v=KHQdmR0fPZQ)
- 教程：TensorFlow DQN教程
第七阶段：深度学习进阶与前沿技术（18个月以上）
学习目标
- 掌握最新的深度学习算法与应用
- 深入理解AI的前沿技术：GAN、神经符号AI等
学习内容与计划
第1-2周：生成对抗网络（GAN）
-
内容：GAN的原理与实现，DCGAN、CycleGAN等变种
-
教材：《深度学习》- Ian Goodfellow
-
实践任务：实现一个GAN生成MNIST数字图像
-
相关教辅：
- 视频：[GAN基本原理讲解](https://www.youtube.com/watch?v=9zKuYvEdy4A)
- 教程：GAN实现教程
第3-4周：图神经网络（GNN）与多模态学习
-
内容：图卷积网络（GCN），跨模态学习
-
教材：《Graph Neural Networks》- Zhitao Ying
-
实践任务：实现GCN进行图数据分析
-
相关教辅：
- 视频：[图神经网络介绍](https://www.youtube.com/watch?v=8pBwbJRRBQY)
- 教程：GCN实现教程
第5-6周：量子机器学习
-
内容：量子计算基础，量子机器学习
-
教材：《量子计算与量子机器学习》- Maria Schuld
-
实践任务：了解量子计算对机器学习的潜在影响
-
相关教辅：
总结与未来发展方向
- 长期目标：深入了解并实现AI的最新进展，如神经符号AI、量子机器学习等
- 持续学习：关注学术论文，定期阅读AI领域的前沿研究与技术
- 项目实践：通过Kaggle、GitHub等平台，参与真实项目，持续提升AI应用能力