一、先打基础(必学,所有 AI 方向都要用)
1. 数学(AI 的根基)
- 高等数学:微积分、极限、导数(理解算法原理)
- 线性代数:矩阵、向量(图像、数据计算全靠它)
- 概率论 & 数理统计:概率、分布、回归(预测、分类模型核心)
- 离散数学、运筹学(逻辑与优化)
2. 编程基础
- 主力语言:Python(AI 生态最完善)
- 辅助:C/C++(高性能、底层开发)、Java
- 必备工具库:NumPy、Pandas、Matplotlib(数据处理、绘图)
3. 计算机基础
- 计算机网络、操作系统、数据结构与算法
- 数据库(MySQL、MongoDB)、大数据基础
二、AI 核心课程(主干内容)
- 机器学习(AI 入门核心)
经典算法:线性回归、逻辑回归、决策树、随机森林、SVM、聚类、降维等,用来做预测、分类、数据分析。
- 深度学习(现在主流 AI,人脸识别、大模型都靠它)
- 神经网络、卷积神经网络 CNN(图像、视觉)
- 循环神经网络 RNN、Transformer(语音、自然语言、大模型)
- 框架:TensorFlow、PyTorch
- 自然语言处理 NLP
聊天机器人、翻译、文案、大语言模型(LLM)、语音识别。
- 计算机视觉 CV
人脸识别、目标检测、图像分割、自动驾驶视觉、监控识别。
- 强化学习
机器人、游戏 AI、自动驾驶、智能决策。
三、细分就业方向(学完对应领域)
- 数据分析 / 传统机器学习:偏向业务、报表、用户画像、风控
- 计算机视觉工程师:安防、自动驾驶、拍照算法、工业质检
- NLP 算法工程师:AI 对话、翻译、文案、知识库、大模型应用
- 大模型 / 生成式 AI:AI 绘图、文生视频、微调、提示工程
- AI 工程部署:把模型上线、优化速度、落地产品
- 机器人 / 自动驾驶:软硬结合,偏向控制 + 感知
四、不同学习阶段侧重点
1. 零基础入门(业余 / 兴趣)
Python → 基础数据分析 → 简单机器学习案例 → 入门深度学习
2. 大学本科 / 专业学习
完整数学体系 + 计算机基础 + 机器学习 + 深度学习 + 两大方向(CV/NLP)+ 项目实战
3. 进阶 / 就业
模型调优、分布式训练、模型
微信扫一扫









