本科生的人工智能（AI）学习路径

一、基础学习阶段（1-2学期）

     大家好，我是华子哥，末9计算机保研清华。目前，各个学科和人工智能技术结合得越来越紧密，如深度学习、计算机视觉、大语言模型。所以简单给各位学弟学妹分享一下本科生学习人工智能的路径，把我踩过的坑告诉大家。

1. 数学基础：数学基础不是很重要。这里面最重要的线性代数，要把矩阵学好。因为GPU是并行运算的，深度学习玩的就是张量的维度。具体来说有以下内容：

   • 线性代数：矩阵运算、特征值、奇异值分解等。
   • 概率与统计：随机变量、分布、期望、方差、贝叶斯理论等。
   • 微积分：函数极限、偏导数、梯度、优化算法的基础。

2. 编程与数据结构：编程直接无脑冲python，0基础也可以上，同时还要学好数据结构。因为有很多算法是基于数据结构的概念来的。

   • Python编程：学习Python语言基础，掌握NumPy、Pandas、Matplotlib等科学计算库。
   • 数据结构与算法：掌握数组、链表、栈、队列、图、树等数据结构，学习排序、查找、动态规划等算法。

3. 计算机基础：计算机专业传统的四大天书分别是计算机操作系统，计算机网路，计算机数据结构，计算机组成与原理。这块不是特别重要，反而要注意学好数据库。

   • 计算机组成原理：了解计算机硬件和操作系统的基础。
   • 数据库：学习SQL及基本的数据库设计。

4. 人工智能基础：按照机器学习-深度学习的路径来，B站上有很多课程都很适合入门，想深入学习可以去学习一下《多元统计分析》这门课。

   • 人工智能概念：机器学习、深度学习、自然语言处理等基本概念。
   • 机器学习基础：线性回归、决策树、支持向量机（SVM）、聚类算法等。

二、进阶学习阶段（1学期）

1. 深度学习与神经网络

   • 神经网络基础：了解感知机、多层感知机（MLP）、反向传播算法。
   • 深度学习框架：掌握TensorFlow或PyTorch等常用框架的使用。
   • 卷积神经网络（CNN）：用于图像处理的基本模型和技术。
   • 循环神经网络（RNN）：用于处理序列数据，如时间序列、文本数据等。

2. 自然语言处理（NLP）

   • 文本处理：分词、词性标注、命名实体识别（NER）、情感分析等。
   • 语言模型：N-gram模型、Word2Vec、BERT等预训练模型。
   • 机器翻译与语音识别：学习基本的翻译算法与语音处理技术。

3. 强化学习与自主系统

   • 强化学习：Q-learning、深度强化学习（DQN）。
   • 自主系统：机器人控制、路径规划等。

4. AI应用与项目

   • 实战项目：结合实际应用进行项目开发，如图像分类、推荐系统、聊天机器人等。
   • 大数据与AI：学习如何处理和分析大规模数据集，掌握Hadoop、Spark等大数据技术。

三、联系老师入组（越早越好）

• 参与AI相关的科研项目，尤其是机器学习、计算机视觉等领域的实验。
• 参加学术会议或竞赛，如Kaggle比赛、ACM-ICPC等。
• 尽早联系老师入组，积累丰富的科研经验，尽在参与攥写论文

通过这些努力，希望你也能和我一样，入门人工智能，实现保研升学等目标！