人工智能学习中心
从数学、编程和经典算法出发，逐步掌握机器学习、深度学习、大模型、智能体与 AI 工程。这里不仅收集资料，更强调读懂原理、运行代码、复现论文、完成项目、评估结果。
推荐学习方式
每个主题按「概念 → 数学直觉 → 代码实验 → 论文/数据 → 项目复盘」学习。不要只收藏链接；至少留下一个可运行实验和一篇自己的总结。
知识地图
flowchart TD A["人工智能 AI"] --> B["数学与编程基础"] B --> C["AI 基础与搜索推理"] C --> D["机器学习"] D --> E["深度学习"] E --> F["CV / NLP / 语音 / 多模态"] F --> G["Transformer 与大语言模型"] G --> H["RAG / Agent / 微调 / 推理部署"] H --> I["评测、安全、MLOps 与产业应用"] J["论文、数据集、开源项目"] -.贯穿全程.-> C J -.-> E J -.-> G J -.-> I
AI 1000问逐题解答
- 生成模型推荐系统视觉与AI治理 —— 21 道问答，覆盖随机森林/Boosting、GAN、LoRA、LIME/SHAP、推荐系统、检测分割、GNN、自监督、ONNX/量化、公平性、ASR/TTS 与 Mamba。
- 强化学习训练优化与前沿技术 —— 27 道问答，覆盖 Q-Learning、DQN、PPO、联邦学习、剪枝蒸馏、因果推断、Scaling Laws、MoE、Diffusion 与 AI for Science。
- 检索智能体与AI应用基础 —— 17 道问答，覆盖 RAG、Agent/ReAct、向量检索、时间序列、AutoML、多模态、知识图谱、异常检测与特征工程。
- 神经网络Transformer与强化学习基础 —— 16 道问答，覆盖 CNN、RNN、LSTM、Word2Vec、视觉输入、Attention、位置编码、GPT/BERT、上下文窗口与强化学习。
- 机器学习算法与模型评估 —— 16 道问答，覆盖线性/逻辑回归、决策树、SVM、k-NN、Precision/Recall/F1、ROC-AUC、梯度下降、SGD、K-means 与 PCA。
- 基础概念与机器学习入门 —— AI/ML/DL 概念边界、AI 历史、监督/无监督学习、过拟合/欠拟合、数据集划分、神经元、激活函数与反向传播。
- 大模型RAG与智能体基础 —— 知识管理、Embedding、RAG、Transformer、GPT/BERT、训练流程、Agent、本地模型、提示工程和微调。
- 端侧智能内容治理知识闭环与具身智能 —— TinyML、端侧部署、AI 内容风险、知识库双向索引、项目自检、具身智能与图灵测试。
flowchart TD A[AI 1000问] --> B[模型基础与训练] A --> C[知识表示与 RAG] A --> D[Agent 与工具调用] A --> E[本地部署 / 微调 / 多模态] B --> F[逐题解答与工程评估] C --> F D --> F E --> F
专题导航
| 专题 | 学习内容 | 入口 |
|---|---|---|
| 总览与学习路线 | 能力地图、阶段目标、项目路线与自测标准 | 人工智能 |
| 数学与 Python | 线性代数、微积分、概率统计、NumPy、PyTorch 张量 | 数学与Python基础 |
| 机器学习 | 监督/无监督学习、特征工程、模型评估、经典算法 | 机器学习 |
| 机器学习实验手册 | 公式、算法直觉、Pipeline、可运行 sklearn 实验与错误分析 | 机器学习实验手册 |
| 深度学习 | 神经网络、反向传播、CNN、RNN、Transformer | 深度学习 |
| 深度学习实验手册 | PyTorch 训练循环、Fashion-MNIST、CNN、调试与复现 | 深度学习实验手册 |
| AI 专业方向 | CV、NLP、语音、推荐、强化学习、多模态、机器人 | AI专业方向 |
| 生成式 AI 与大模型 | Token、注意力、预训练、SFT、LoRA、推理 | 生成式AI与大模型 |
| 大模型与 RAG 实战 | 文档处理、检索、引用、评测、安全与生产注意事项 | 大模型与RAG实战手册 |
| AI 工程与部署 | 数据管线、RAG、Agent、服务化、监控与成本 | AI工程与部署 |
| 论文与数据集 | 论文检索、复现流程、公开数据集与许可 | AI论文与数据集 |
| GitHub 开源项目 | 入门课程、ML/DL、LLM、Agent、部署与评测仓库 | GitHub开源学习项目 |
| 书籍与课程 | 从入门到研究的书单、大学课程和公开教材 | AI书籍与课程 |
| 项目实战路线 | 从入门分类到论文复现、RAG 和工程部署的项目阶梯 | AI项目实战路线 |
| 智能体 | 工具调用、规划、记忆、多智能体和可靠性 | 智能体 |
推荐学习路径
- 入门（2–4 周）：Python、NumPy、基础数学、AI 概念；完成一个数据分析或分类小项目。
- 机器学习（4–6 周）：用 scikit-learn 完成回归、分类、聚类和模型评估；按实验手册完成基线与错误分析。
- 深度学习（6–8 周）：使用 PyTorch 实现 MLP、CNN、Attention，理解训练循环与反向传播。
- 专业方向（持续）：选择 CV、NLP、语音、推荐系统或时序建模，阅读经典论文并复现实验。
- 大模型工程（持续）：掌握 Transformer、提示工程、RAG、微调、推理部署和评估。
- 研究与生产（进阶）：建立数据治理、实验追踪、模型监控、安全评测和成本优化流程。
相关领域
学习原则
- 先建立可解释的基线，再引入更复杂的模型。
- 训练集、验证集、测试集严格分离；避免数据泄漏。
- 记录数据版本、代码版本、随机种子、超参数和评价指标。
- 论文结论要结合数据集、实验设置、基线和局限性判断。
- 使用数据集和模型前检查许可证、隐私要求、用途限制与再分发条款。
专业方向深度路线
Flomo 原始题库导航归档
- 导航-AI1000问全景：AI 1000 问原始全景目录，保留基础概念、机器学习、深度学习、大模型、RAG、Agent、端侧 AI 与项目风险等问题清单。