🌳技能树

你的 AI 学习旅程一览

1

AI 初学者

0 XP

总体进度0/284 · 0%

图例:⭐已掌握🟢已完成🔵进行中⚪未开始🔒锁定

🧠什么是人工智能

0/2

⚪1. AI 定义与历史 ⚪2. AI 的分类

📊机器学习概览

0/1

🔒机器学习工作流程

🔒 需要完成: 什么是人工智能

📚监督学习

0/8

🔒1. 监督学习概念 🔒2. 线性回归 🔒3. 逻辑回归 🔒4. k-近邻 (k-NN)🔒5. 决策树 🔒6. 支持向量机 🔒7. 朴素贝叶斯 🔒8. 集成学习

🔒 需要完成: 机器学习概览, 数学基础

🔍无监督学习

0/6

🔒1. 无监督学习概念 🔒2. K-Means 聚类 🔒3. 层次聚类与 DBSCAN 🔒4. PCA 降维 🔒5. t-SNE 与可视化 🔒6. 异常检测

🔒 需要完成: 监督学习

🎮强化学习

0/7

🔒1. 强化学习概念 🔒2. 马尔可夫决策过程 🔒3. 值函数与贝尔曼方程 🔒4. Q-Learning 🔒5. Deep Q-Network 🔒6. 策略梯度 🔒7. Actor-Critic 与 PPO

🔒 需要完成: 数学基础

📐数学基础

0/8

🔒1. 向量与点积 🔒2. 矩阵与特征分解 🔒3. 导数与偏导数 🔒4. 梯度与优化基础 🔒5. 概率基础与贝叶斯 🔒6. 常见分布与统计量 🔒7. 自信息与熵 🔒8. KL 散度与交叉熵

🔒 需要完成: 什么是人工智能

🔧数据与特征

0/2

⚪1. 数据预处理 ⚪2. 特征工程

📏评估指标

0/2

⚪1. 分类指标 ⚪2. 回归指标

🔗神经网络基础

0/4

🔒1. 感知机 🔒2. 激活函数 🔒3. 前向传播 🔒4. 损失函数

🔒 需要完成: 数学基础

🔄反向传播

0/5

🔒1. 梯度与导数 🔒2. 链式法则 🔒3. 梯度下降 🔒4. 反向传播算法 🔒5. 完整示例

🔒 需要完成: 神经网络基础

⚙️优化器

0/5

⚪1. SGD 随机梯度下降 ⚪2. Momentum 动量 ⚪3. AdaGrad & RMSProp ⚪4. Adam 优化器 ⚪5. 学习率调度

🛡️正则化

0/5

🔒1. 过拟合与正则化 🔒2. L1 与 L2 正则化 🔒3. Dropout 🔒4. Batch Normalization 🔒5. Layer Normalization

🔒 需要完成: 训练技巧

🎯训练技巧

0/5

🔒1. 偏差与方差 🔒2. 学习曲线分析 🔒3. 参数初始化 🔒4. Batch Size 与 Epoch 🔒5. 实用训练技巧

🔒 需要完成: 反向传播

🖼️CNN 卷积神经网络

0/5

🔒1. CNN 概述 🔒2. 卷积操作 🔒3. 池化层 🔒4. CNN 完整架构 🔒5. 经典架构

🔒 需要完成: 反向传播

🔁RNN 循环神经网络

0/6

🔒1. RNN 概述 🔒2. RNN 结构与计算 🔒3. BPTT 反向传播 🔒4. LSTM 长短期记忆 🔒5. GRU 门控循环单元 🔒6. RNN 总结

🔒 需要完成: 反向传播

🎯自注意力机制

0/6

🔒1. 什么是自注意力 🔒2. Query、Key、Value 🔒3. 缩放点积注意力 🔒4. Softmax 函数 🔒5. 多头注意力 🔒6. 总结与可视化

🔒 需要完成: RNN 循环神经网络

🔺TriAttention 三重注意力

0/4

⚪1. TriAttention 概述 ⚪2. 通道与空间注意力的局限 ⚪3. 三分支结构详解 ⚪4. PyTorch 实现与应用

🔥PyTorch 深度学习框架

0/15

⚪1. PyTorch 概述与环境 ⚪2. Tensor 张量基础 ⚪3. 自动求导 autograd ⚪4. nn.Module 构建网络 ⚪5. Dataset 与 DataLoader ⚪6. 损失函数库 ⚪7. 优化器与训练循环 ⚪8. 模型保存与加载 ⚪9. GPU 训练与设备迁移 ⚪10. 自定义层与函数 ⚪11. TensorBoard 可视化 ⚪12. 完整训练实战 MNIST ⚪13. torchvision 视觉工具 ⚪14. HuggingFace Transformers ⚪15. 总结与实战清单

📝NLP 自然语言处理

0/12

🔒1. NLP 概述与发展 🔒2. 文本预处理与分词 🔒3. Word2Vec 词嵌入 🔒4. GloVe 与 FastText 🔒5. 文本分类 TextCNN 🔒6. RNN 文本分类 🔒7. 序列标注 NER 🔒8. Seq2Seq 模型 🔒9. 注意力机制起源 🔒10. 文本生成 🔒11. 文本相似度与匹配 🔒12. 总结与前沿

🔒 需要完成: Transformer 架构

🏗️Transformer 架构

0/13

🔒1. 整体架构概览 🔒2. Token 嵌入 🔒3. 位置编码 🔒4. 编码器层 🔒5. 残差连接与 LayerNorm 🔒6. 前馈神经网络 🔒7. 解码器层 🔒8. 掩码多头注意力 🔒9. 交叉注意力 🔒10. 线性投影与输出 🔒11. 完整 Transformer 拼装 🔒12. 关键超参数 🔒13. 总结

🔒 需要完成: 自注意力机制

🤖大模型

0/16

🔒1. 大模型概述 🔒2. GPT 系列详解 🔒3. BERT 与编码器模型 🔒4. LLaMA 与开源模型 🔒5. 分词器 🔒6. 预训练 🔒7. 监督微调 (SFT)🔒8. RLHF 人类反馈强化学习 🔒9. DPO 直接偏好优化 🔒10. LoRA 低秩适配 🔒11. 模型量化 🔒12. KV Cache 与推理优化 🔒13. 混合专家模型 (MoE)🔒14. 长上下文与位置编码 🔒15. 提示工程与思维链 🔒16. 1M 上下文深度分析

🔒 需要完成: Transformer 架构

🎨生成模型

0/12

⚪1. 生成模型概述 ⚪2. 自回归模型 ⚪3. 变分自编码器 VAE ⚪4. 生成对抗网络 GAN ⚪5. GAN 变体 ⚪6. 扩散模型原理 DDPM ⚪7. Stable Diffusion ⚪8. 扩散采样优化 ⚪9. 流模型 Normalizing Flow ⚪10. 能量模型 EBM ⚪11. 多模态生成 ⚪12. 总结与前沿

🤖AI Agent 应用开发

0/11

🔒1. Agent 概述 🔒2. LangChain 框架 🔒3. LlamaIndex 🔒4. Prompt 工程进阶 🔒5. Function Calling 🔒6. ReAct 模式 🔒7. RAG 工程化 🔒8. 多 Agent 协作 🔒9. 工具调用与编排 🔒10. 实战案例 🔒11. AI 记忆系统

🔒 需要完成: 大模型

💾向量数据库

0/10

⚪1. 向量数据库概念 ⚪2. Embedding 与向量表示 ⚪3. 相似度搜索 ⚪4. 向量索引算法 ⚪5. FAISS ⚪6. Milvus ⚪7. Chroma ⚪8. Pinecone / Qdrant / Weaviate / pgvector ⚪9. 向量数据库与 RAG 实战 ⚪10. 总结与选型指南

🦾具身智能

0/10

⚪1. 具身智能概念 ⚪2. 感知系统 ⚪3. 机器人控制 ⚪4. 模仿学习 ⚪5. 强化学习与机器人 ⚪6. 视觉-语言-动作模型 ⚪7. 仿真环境 ⚪8. 机器人操作 ⚪9. 自主导航 ⚪10. 挑战与未来

🌍世界模型

0/10

⚪1. 世界模型概念 ⚪2. 隐空间世界模型 ⚪3. Dreamer 系列 ⚪4. JEPA 联合嵌入预测 ⚪5. 视频生成作为世界模型 ⚪6. 基于模型的强化学习 ⚪7. 规划与想象 ⚪8. 世界模型应用 ⚪9. MuZero 与 AlphaGo ⚪10. 挑战与未来方向

🔮多模态表征与自监督

0/12

⚪1. 什么是表征学习 ⚪2. 自监督学习概述 ⚪3. 对比学习框架 ⚪4. SimCLR 详解 ⚪5. MoCo 详解 ⚪6. BYOL 详解 ⚪7. DINO 与 SwAV ⚪8. 掩码自编码器 MAE ⚪9. REPA 表征对齐 ⚪10. CLIP 多模态对齐 ⚪11. 视觉 Transformer (ViT)⚪12. 总结与前沿

🚀MLOps 工程化

0/10

⚪1. MLOps 概述 ⚪2. 实验管理 ⚪3. 模型格式与转换 ⚪4. 模型服务化 ⚪5. 推理优化 ⚪6. 模型监控 ⚪7. A/B 测试与灰度 ⚪8. ML CI/CD ⚪9. 数据版本管理 ⚪10. 端到端实战

🛠️AI Skill 技能开发

0/6

⚪1. Skill 概述 ⚪2. Skill 设计原则 ⚪3. 工具调用与 API 集成 ⚪4. Skill 编排与组合 ⚪5. GPTs 与自定义助手 ⚪6. Skill 安全与权限

⚗️知识蒸馏

0/5

⚪1. 知识蒸馏概述 ⚪2. Teacher-Student 架构 ⚪3. 软标签与温度系数 ⚪4. 特征蒸馏与关系蒸馏 ⚪5. 蒸馏实战与前沿

⚡分布式训练与加速

0/8

⚪1. 分布式训练概述 ⚪2. 数据并行 DDP ⚪3. 模型并行 ⚪4. 流水线并行 ⚪5. DeepSpeed ZeRO ⚪6. Megatron-LM ⚪7. 混合精度训练 ⚪8. 显存优化技巧

⚙️机器学习算法

0/15

⚪1. 线性判别分析 (LDA)⚪2. 感知机算法 ⚪3. 梯度提升树 (GBDT)⚪4. XGBoost ⚪5. LightGBM ⚪6. CatBoost ⚪7. EM 算法 ⚪8. 高斯混合模型 (GMM)⚪9. 隐马尔可夫模型 (HMM)⚪10. 条件随机场 (CRF)⚪11. 关联规则 Apriori ⚪12. FP-Growth ⚪13. PageRank ⚪14. 谱聚类 ⚪15. 独立成分分析 (ICA)

👁️图像识别

0/12

🔒1. CNN 基础 🔒2. 池化层 🔒3. ReLU 激活函数 🔒4. Dropout 正则化 🔒5. AlexNet 🔒6. VGGNet 🔒7. GoogLeNet / Inception 🔒8. ResNet 残差网络 🔒9. DenseNet 🔒10. MobileNet 轻量化 🔒11. 目标检测 YOLO/R-CNN 🔒12. 图像识别总结

🔒 需要完成: CNN 卷积神经网络

⭐

0

已掌握

✅

0

已完成

🔵

0

进行中

🏆

0

徽章