PATH 01零基础2–4 周(每天 1–2 小时)

AI 基础入门

先建立正确的地图,再开始动手

这条路线解决的问题是:网上信息又多又碎,零基础的人很容易一上来就啃数学或直接抄代码,三周后既不懂原理也做不出东西。所以顺序刻意设计成「先地图、再工具、再原理、再调用、最后交付」:第一周先把 AI、机器学习、深度学习、LLM、Agent 的层级关系理清,知道每个词到底指什么;第二周补 Python 与数据处理这两个最小工具,保证后面能动手;第三周用不推公式的方式建立神经网络直觉,知道模型是怎么「学」的;第四周直接调用大模型 API,亲身感受它的能力、边界与成本;最后一周做出一个别人能按文档跑起来的小应用。每天 1–2 小时,周末留出 3 小时做项目。学完你能独立做出带界面的 AI 小工具,看懂大部分 AI 新闻,并判断下一步该往机器学习、Agent 还是机器人方向走。

1

建立全局地图:AI、ML、DL、LLM 都是什么

第 1 周

目标:

  • 能用一张图讲清 AI / 机器学习 / 深度学习 / 生成式 AI / LLM / Agent 的包含关系
  • 能区分监督学习、无监督学习、自监督学习与强化学习分别解决什么问题
  • 能说明大模型在 2022 年前后爆发的两个关键原因(Transformer 与规模化)
  • 能列出 5 个 AI 能做好的任务与 5 个目前做不好的任务

重点内容:

  • AI 三次浪潮与关键节点
  • 判别式模型 vs 生成式模型
  • 训练与推理分别发生了什么
  • 大模型为什么需要海量数据与算力
  • AI 相关岗位与技能地图
动手:用一张白纸或 FigJam 画自己的 AI 概念地图,写下至少 20 个术语,用箭头标注「谁包含谁、谁依赖谁」;再写 300 字回答:为什么 2022 年之后大模型突然普及?
过关:不看资料能复述概念地图;10 道自测题答对 8 题以上;地图中每个术语都能用一句自己的话解释。
2

补齐最小工具:Python 与数据处理

第 1–2 周

目标:

  • 能装好 Python 3.11+、VS Code 与虚拟环境,并运行自己的脚本
  • 能用变量、列表、字典、循环、函数、文件读写完成一个小脚本
  • 能用 requests 调用一个公开 API 并把结果保存成 CSV
  • 能用 pandas 读取 CSV、做描述统计并画一张图

重点内容:

  • Python 环境与虚拟环境(venv / conda / uv)
  • 基础语法与数据结构
  • 函数、模块与异常处理
  • requests 与 JSON
  • pandas 基础与可视化
  • 读报错与 debug 的基本方法
动手:写一个「城市天气记录器」:用 requests 调公开天气 API(如 Open-Meteo),把最近 7 天温度存成 CSV,再用 pandas 算平均/最高/最低并画折线图。
过关:脚本可重复运行不报错;CSV 字段正确;图表能回答一个具体问题;能解释自己遇到过的 3 个报错。
3

不推公式,建立神经网络直觉

第 2 周

目标:

  • 能解释权重、损失函数、梯度下降三者如何配合让模型变好
  • 能用 numpy 手写线性回归 + 梯度下降,并画出 loss 曲线
  • 能说清训练集/验证集/测试集的作用与过拟合的典型表现
  • 能判断一个业务问题是否适合用机器学习解决

重点内容:

  • 线性回归与损失函数
  • 梯度下降与学习率
  • 过拟合、正则化与数据划分
  • 神经网络的一次前向传播
  • 用 scikit-learn 建立基线模型
动手:用 numpy 手写线性回归与梯度下降拟合一份真实数据,再与 sklearn 的结果对比;故意把学习率调大、调小各跑一次,记录 loss 曲线差异。
过关:手写模型与 sklearn 的误差差距小于 5%;loss 曲线收敛;能解释学习率过大和过小的现象。
4

调用大模型:能力、边界与成本

第 3 周

目标:

  • 能安全申请并管理 API Key(放环境变量,不进代码仓库)
  • 能用 Python 实现多轮对话、流式输出与 token 用量统计
  • 能通过系统提示与 few-shot 明显改善输出质量
  • 能识别幻觉、知识截止与越权风险,并说出三种缓解手段

重点内容:

  • Chat Completions 与流式接口
  • token、上下文窗口与计费
  • 系统提示 / temperature / top_p
  • 幻觉成因与缓解
  • 简单的输出质量评估
动手:写一个命令行聊天助手:支持自定义系统提示、多轮记忆、流式输出、token 与费用统计,并把历史保存为 JSON。
过关:连续 20 轮对话不崩溃且记忆正确;费用统计与官方账单误差小于 10%;能给出 3 个暴露模型边界的测试问句。
5

做出第一个可交付作品

第 4 周

目标:

  • 能把 AI 能力封装成别人能打开的 Web 界面
  • 会做输入校验、错误重试、超时与成本上限
  • 能写出让别人 10 分钟内跑起来的 README
  • 建立自己的 AI 信息源与每周学习节奏

重点内容:

  • Streamlit / Gradio 快速界面
  • 配置与密钥管理
  • 错误处理与降级
  • README 与演示视频
  • 信息源筛选与论文阅读入门
动手:把聊天助手升级成「我的笔记问答小工具」:上传本地 Markdown 笔记,基于笔记回答并给出来源;部署到 Streamlit Community Cloud 或本地,附 README 与 3 分钟演示。
过关:陌生朋友按 README 在 10 分钟内跑通;演示视频不超过 3 分钟;记录至少 5 条失败案例与改进方向。

常见坑

  • 一上来啃《深度学习》花书或推公式,三周后放弃——先跑通再补理论
  • 把「调用 API」当成「训练模型」,对原理产生误解
  • 把 API Key 写进代码或截图发群,导致被盗刷
  • 只看视频不动手,收藏了 20 门课却没有一个能跑的作品
  • 不设 token 预算,练习阶段费用失控
RELATED

相关文章

全部文章 →