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:

  1. 机器学习入门:吴恩达 Machine Learning Specialization。 用它建立监督学习、无监督学习与模型评估的整体框架。课程
  2. 中文深度学习主线:《动手学深度学习》PyTorch 版。 优先学预备知识、线性模型、多层感知机、优化算法和注意力章节,并完成代码练习。教材
  3. 大模型实操:Hugging Face LLM Course。 涵盖 Transformers、数据集、Tokenizer、微调和推理模型;官方也建议先具备 Python 和入门深度学习基础。课程
  4. 深入训练原理:Stanford CS336。 涵盖从零构建语言模型、系统优化、数据处理、对齐与推理强化学习。放在后半程,先完成基础作业,再按方向选学;它明确要求 PyTorch、数学和机器学习基础。课程与作业
  5. 系统方向补充:vLLM 官方文档。 做部署项目时学习批处理、缓存、量化和性能测量。文档

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。**

机器学习

Ollama

Ai工具

基础理论

Spring AI

agent开发