| 阶段 | 重点学习 | 完成标准 |
|---|---|---|
| 第 1–4 周:机器学习基础 | 线性/逻辑回归、决策树、损失函数、梯度下降、过拟合、训练/验证/测试集;同步补线性代数、导数和概率 | 独立做一个分类任务,能解释指标选择、数据泄漏和错误案例 |
| 第 5–8 周:深度学习与 PyTorch | 张量、自动微分、训练循环、优化器、正则化、数据加载、模型保存 | 不依赖现成训练模板,训练一个小网络并分析训练曲线 |
| 第 9–12 周:Transformer 与语言模型 | Tokenizer、Embedding、Attention、位置编码、因果掩码、交叉熵、生成过程 | 实现一个小型 Transformer,并完成训练、验证和生成 |
| 第 13–18 周:大模型实践 | 监督微调 SFT、LoRA、数据清洗;检索增强生成 RAG;模型评测 | 在同一任务上比较原模型、检索方案和微调方案 |
| 第 19–24 周:选择一个方向 | 后训练、推理优化、Agent 评测三选一 | 完成有基线、有对照、有失败分析的实验 |
| 第 25–28 周:作品与求职准备 | 整理代码、实验报告、部署方式;补机器学习和系统设计面试知识 | 别人能复现实验,你能解释每项设计及其取舍 |
学习资料建议控制数量,按下面顺序使用:
深入算法时,论文可以按这个顺序读:
**Transformer → LoRA → DPO → DeepSeek-R1 → 你选定方向的近期论文。**