对比维度有监督学习无监督学习半监督学习强化学习数据类型全标签数据无标签数据少量标签+大量无标签无直接标签，通过奖励反馈学习目标学习输入到输出的映射发现数据内在结构利用无标签数据提升泛化能力学习最优行为策略以最大化奖励核心特征有“老师”指导自主“发现”模式结合监督与无监督学习通过“试错”与环境互动典型应用分类、回归聚类、降维网页分类、NLP游戏AI、机器人控制。

PyTorch 是目前学术界最流行的深度学习框架，Facebook 出品，动态图机制让调试变得无比简单。学完本文，你将掌握：张量（Tensor）的创建与操作自动求导（Autograd）原理DataLoader 数据加载神经网络模块（nn.Module）搭建模型完整训练循环的4个步骤知识点核心函数重要程度张量创建5星张量操作5星自动求导5星DataLoader5星神经网络5星GPU加速4星优化器4星

我是从数据开发转过来的，我刚入行那会机器学习刚刚流行，刚接触的时候，也是一头扎进各种数学公式里，什么梯度、散度、旋度、什么雅可比矩阵，头都大了。感觉自己不是在搞AI，捧着那本大名鼎鼎的《统计学习方法》（我们那时候还没西瓜书），感觉每个汉字都认识，连起来就跟看天书一样。你真让我现在回头来复盘一遍自己的学习曲线，说实话，如果当年死磕数学再去看AI理论，我八成放弃这条路了。初期过于死抠公式和理论，只会陷

先说结论，项目驱动的学习思路完全正确。我读大一的时候也和你一样，那个时候高数和线代都还在学，觉得数学不学好怎么学习深度学习呢，因为一直以来脑子里的思路都是计算机科学是数学的一个分支。但是当时我学数学的时候，看到傅里叶变换就看不下去了，学习AI的热情都燃尽了。后面我还啃过，发现都是公式，看不懂，不知道学完能干什么。懵懵懂懂直到大二学机器学习这门课，老师要求结课的时候都要交一个项目报告，同时附上代码和

最近两年，大家都可以看到AI的发展有多快，我国超10亿参数的LLM，在短短一年之内，已经超过了100个，现在还在不断的发掘中，时代在瞬息万变，我们又为何不给自己多一个选择，多一个出路，多一个可能呢？模型不直接生成最终答案，通过显式推理步骤判断是否调用外部工具(如搜索引擎、数据库等)，再根据反馈继续推理与执行，直至完成任务。能降低Hallucination和推理错误概率，使输出更稳定可靠，但会增加计

先挑一个能用的跑通链路就行，目的是让它听话，不是做学术研究。现在Agent这行真的属于窗口期拉满，而且是全新的领域，新到学校里教不出来，清华的学生和你一样，都是自学加摸着石头过河，因此你是双非本也好，985硕也好，都是同一起跑线，也都是一套入门路线。教程内容很系统，圈内大佬深入讲解LLM的关键架构和原理，以及Rag、Agent、LangChain、Fine-tune技术和Fine-tuning过程

网上最显眼的内容，往往是应用层：几句 Prompt、一个 Agent Demo、几小时搭个聊天机器人。这样不是“看过”，而是真的会用。所以，“先学大模型更贴近市场”只对已有编程和建模基础的人更成立。现在岗位更看重你能否把数据、模型、代码、评估和部署串成闭环，而不是知道多少热门名词。如果你已经会 Python、会处理数据、能看懂基本评估，这条路没问题。这一层的重点不是推公式，而是建立判断力：模型为什

网上最显眼的内容，往往是应用层：几句 Prompt、一个 Agent Demo、几小时搭个聊天机器人。这样不是“看过”，而是真的会用。所以，“先学大模型更贴近市场”只对已有编程和建模基础的人更成立。现在岗位更看重你能否把数据、模型、代码、评估和部署串成闭环，而不是知道多少热门名词。如果你已经会 Python、会处理数据、能看懂基本评估，这条路没问题。这一层的重点不是推公式，而是建立判断力：模型为什

在正式学习AI算法之前，你应该具备一些基础的线性代数知识，这会让你更容易的理解算法，线性代数的知识非常广阔，而我们只需要理解其中的一小部分就行了,推荐给大家一个非常好的线性代数快速学习视频，就是3Blue1Brown出的这个《线性代数的本质》，非常生动的把很抽象的东西说的很透彻，可能你看书几天都想不明白的东西，看看这个视频，几分钟就懂了，实在没有耐心看完的，着重看懂前10课就够了，每一课十几分钟，

写这篇文章是想分享一下理解的宏观上的AI，内容比较浅显，希望对即将选研究方向、就业方向的同学们，对转行、自学的朋友们 有所帮助~~适用读者：对AI领域感兴趣的小白首先附上诚意满满的彩图 ^ ^AI子方向。