AI/ML 学习路线：从数学基础到大模型应用

1 前言

AI/ML 领域庞大且发展迅猛，没有清晰的学习路线很容易迷失方向：要么陷入「收藏即学会」的幻觉，要么在零散教程间反复横跳。

本文梳理了一条 有时序的自学路线，从 Python 基础一路推进到大模型应用，共分 8 个阶段（阶段 0-7）。每个阶段精选 GitHub 上的优质开源资源，附上学习建议和预期产出。

如何使用这条路线：

• 按阶段顺序推进，前一阶段是后一阶段的基础
• 每个阶段的资源分「核心」和「扩展」，时间有限先啃核心
• 遇到困难回退到上一阶段补基础，比死磕效率高

前置条件：基本微积分概念。Python 零基础可从阶段 0 开始。

2 学习路线全景图

从左到右，每个阶段都建立在前一阶段之上：

已有 Python 基础可跳过阶段 0。阶段 5-7 可以根据兴趣方向选择性深入，不必全部完成。

3 Python 基础（阶段 0）

Python 是 AI/ML 领域的通用语言。NumPy、Pandas、Matplotlib 这些库贯穿后续每个阶段，值得在正式学 ML 之前打好基础。

3.1 系统教程

• Python-100-Days ★160k — 「Python 100 天从新手到大师」。从基础语法、函数、面向对象，到 NumPy / Pandas 数据分析、Web 开发，内容覆盖全面，中文讲解。前 30 天的内容足够支撑后续 ML 学习。

3.2 学习建议

不需要 100 天全部学完。重点掌握：基础语法（变量、控制流、函数、类）→ 文件操作 → NumPy / Pandas / Matplotlib。这三块是 ML 的前置依赖。建议边学边写小脚本练手，不要只看不写。

4 数学基础

数学是 ML 的地基。线性代数和概率统计是最核心的两块，微积分在深度学习阶段会自然用到，不需要提前系统学。

4.1 线性代数

• The-Art-of-Linear-Algebra ★21k — Gilbert Strang《线性代数》的图解笔记。把抽象概念变成直觉，强烈推荐作为入门第一站。
• 矩阵力量 ★9.8k — 「鸢尾花书」系列第四册。从加减乘除讲到特征值分解，全程配 Python 可视化代码。

4.2 概率与统计

• 统计至简 ★3.6k — 「鸢尾花书」系列第五册。用可视化方式讲概率分布、贝叶斯、假设检验，降低抽象感。

4.3 学习建议

不要死记公式，重点培养几何直觉。比如矩阵乘法就是空间变换，特征值就是变换的「不动方向」。善用可视化工具（matplotlib、GeoGebra），画出来比推十遍公式有效。

5 经典机器学习

先理解经典 ML 再学深度学习，否则容易「只会调库，不懂原理」。西瓜书（周志华《机器学习》）是中文圈最经典的教材。

5.1 教材与习题

• MachineLearning_Zhouzhihua_ProblemSets ★1.7k — 西瓜书课后习题的 NumPy / Pandas 实现。光看书不做题等于没学。

5.2 实战代码

• Machine-Learning ★10k — Python3 机器学习实战。覆盖 kNN、决策树、贝叶斯、逻辑回归、SVM、线性回归、树回归，每个算法从零实现。

5.3 可解释性（进阶）

• InterpretableMLBook ★4.9k — 《可解释的机器学习》中文翻译。理解模型为什么这样预测，比单纯提高准确率更有价值。

5.4 学习建议

重点理解偏差-方差权衡、过拟合、交叉验证这三个概念。它们贯穿整个 ML/DL 生涯。建议先跑通代码看到结果，再回头理解数学推导——有了感性认识，公式就不再抽象。

6 深度学习理论

这是整条路线的核心阶段。D2L（动手学深度学习）是当之无愧的首选教材——交互式、有代码、有视频、有社区。

6.1 系统教材

• d2l-zh ★77k — 《动手学深度学习》（李沐等著）。被全球 500+ 所大学用于教学。覆盖 MLP、CNN、RNN、注意力机制、Transformer、优化算法、计算机视觉、自然语言处理。在线阅读 | 配套视频
• DeepLearning（花书笔记） ★7.6k — Goodfellow《深度学习》（花书）的数学推导 + 源码级代码实现。适合在 D2L 之后深入理论。

6.2 资源汇总

• DeepLearning（资源大全） ★17k — 深度学习入门教程、优秀博客、经典论文的汇总目录。遇到某个具体主题不理解时来这里找补充材料。

6.3 论文精读

• paper-reading ★33k — 李沐的论文精读系列。逐段精读经典论文（ResNet、Transformer、BERT、GPT 等），配视频讲解。从「读不懂论文」到「能独立读论文」的桥梁。

6.4 学习建议

D2L 是这个阶段的主线，建议完整跟一遍。关键是：跑代码、改参数、看效果变化。不要只看书和视频——深度学习的直觉来自实验，不是推导。论文精读可以在学完 D2L 的 CNN 和 Transformer 章节后穿插进行。

7 PyTorch 实战

D2L 已经教了 PyTorch 基础，这个阶段的目标是熟练掌握框架，能脱离教材独立写项目。

7.1 官方资源

• pytorch/tutorials ★9.1k — PyTorch 官方教程仓库。从「60 分钟入门」到高级主题（分布式训练、量化、TorchScript），内容最权威。
• pytorch/examples ★24k — 官方示例集。覆盖 Vision、Text、Reinforcement Learning 等领域，每个示例都是可运行的完整项目。
• PyTorch 官方文档 — API 参考。遇到具体函数不确定参数时查这里。

7.2 中文教程

• pytorch-handbook ★22k — PyTorch 中文手册。系统介绍各模块的使用，适合当作中文参考书。
• PyTorch-Tutorial-2nd ★4.5k — PyTorch 实用教程第二版。从零基础入门到 CV / NLP / LLM 项目应用，配套代码完整。

7.3 极简入门

• pytorch-tutorial（yunjey） ★32k — 极简 PyTorch 教程。用最少的代码展示核心概念，适合快速上手。

7.4 核心模块速查

7.5 学习建议

先跑官方教程的「60 分钟入门」，然后尝试从零写一个完整训练循环（不用任何高层封装）：加载数据 → 定义模型 → 前向传播 → 计算损失 → 反向传播 → 更新参数 → 验证。能手写这个循环，说明你真正理解了 PyTorch。

8 计算机视觉

计算机视觉是深度学习最成熟的应用领域。这个阶段不只是学模型，更要学会读论文、复现论文。

8.1 前沿模型

• segment-anything ★54k — Meta 的 SAM（Segment Anything Model）。「分割一切」的基础模型，代表了 CV 领域 foundation model 的方向。代码清晰，适合精读。

8.2 顶会论文

• CVPR2026-Papers-with-Code ★22k — CVPR 2026 论文 + 代码合集。跟踪顶会最新成果，找到自己感兴趣的方向。

8.3 趣味应用

• Bringing-Old-Photos-Back-to-Life ★16k — 微软的老照片修复项目（CVPR 2020 oral）。既有学术价值，又有趣味性，很适合作为「第一个复现项目」。

8.4 学习建议

掌握 DL 基础后，选一个 CV 任务方向（检测 / 分割 / 生成），找一篇经典论文从头复现。不要只 pip install 然后跑个 demo——要读懂模型架构、损失函数设计、数据增强策略。复现一篇论文的收获，胜过读十篇论文。

9 知识蒸馏与模型压缩

当模型越来越大，如何在有限资源下部署就成了关键问题。这个阶段是从「训练模型」到「落地部署」的桥梁。

9.1 论文与综述

• knowledge-distillation-papers — 知识蒸馏论文合集。按年份和类型整理，适合系统性文献调研。

9.2 实现与工具

• Knowledge-Distillation-Zoo ★1.7k — 知识蒸馏方法的 PyTorch 实现集。统一框架下对比多种 KD 方法，方便复现和实验。

9.3 延伸阅读

站内相关文章：模型压缩

10 大模型与 RAG

大模型是当前 AI 的前沿方向。这个阶段的学习路径是：先学会用 LLM（Prompt 工程）→ 再学调 LLM（微调）→ 最后学扩展 LLM（RAG）。

10.1 大模型训练与微调

• Firefly ★6.7k — 大模型训练工具。支持 Qwen2.5、Llama3、Gemma 等主流模型的全参数训练、QLoRA 微调、DPO 对齐，配套文档完善。

10.2 RAG 应用

• Langchain-Chatchat ★38k — 基于 LangChain 的本地知识库 RAG 应用。支持 ChatGLM、Qwen、Llama 等多种语言模型，开箱即用的企业级 RAG 方案。
• RAG_Techniques ★27k — RAG 技术大全。系统介绍各种高级 RAG 技术（混合搜索、重排序、查询改写、多跳推理等），从入门到前沿。

10.3 学习建议

学习顺序很重要：先用再造。先通过 Prompt 工程学会高效使用 LLM，建立对模型能力边界的直觉；然后学微调，理解如何让模型适配特定任务；最后搭 RAG pipeline，解决 LLM 知识截止和幻觉问题。不要一上来就训练模型——那是最后一步。

11 快速参考

全部资源汇总

12 参考链接

• Python-100-Days
• PyTorch 官方文档
• D2L 在线阅读（中文）
• D2L 在线阅读（英文）
• D2L 配套视频课程

站内相关文章：

• CS 自学路线：从计算机基础到后端开发
• 模型压缩
• 对比学习