1. 基础知识
数学基础
线性代数
了解矩阵
和向量
运算,这是神经网络的基础。
-
参考书籍:《线性代数及其应用》 by Gilbert Strang
-
在线课程:MIT OpenCourseWare 的线性代数课程
微积分
理解微积分
,特别是偏导数
和梯度下降
。
-
参考书籍:《微积分:一种现代方法》 by Tom M. Apostol
-
在线课程:Khan Academy 的微积分课程
概率与统计
理解概率分布
、期望
和方差
,及其在机器学习中的应用。
-
参考书籍:《概率导论》 by Dimitri P. Bertsekas 和 John N. Tsitsiklis
-
在线课程:Coursera 的概率与统计课程
2. 编程基础
Python
学习Python
编程语言,这是AI和机器学习中最常用
的语言。
本站Python学习教程:
数据处理库
熟悉NumPy
、Pandas
等数据处理库。
3. 机器学习基础
基本概念
了解监督学习、无监督学习、强化学习等基本概念。
参考书籍:《机器学习》 by Tom M. Mitchell
经典算法
学习线性回归
、逻辑回归
、决策树
、支持向量机
等经典机器学习算法。
在线资源:Kaggle 机器学习竞赛和教程
4. 深度学习
神经网络基础
理解神经元、前向传播
、反向传播
等基本概念。
参考书籍:《深度学习》 by Ian Goodfellow, Yoshua Bengio 和 Aaron Courville
深度学习框架
学习TensorFlow或PyTorch等深度学习框架的使用。
在线资源:TensorFlow 和 PyTorch 的官方教程
5. 大模型开发
自然语言处理(NLP)
学习处理文本数据的技术,如词嵌入
、序列到序列模型、注意力
机制等。
参考书籍:《深度学习自然语言处理》 by Yoav Goldberg
大规模预训练模型
了解BERT
、GPT
等大规模预训练模型的架构和训练方法。
研究论文:BERT, GPT-2/3 的原始论文
实践项目:Hugging Face 的 Transformers 库
分布式训练
学习如何在多个GPU/TPU上进行分布式训练,以处理大规模数据和模型。
在线资源:TensorFlow 和 PyTorch 的分布式训练教程
6. Llama3框架
Llama3
简介
了解Llama3框架的基本概念和用途。
参考资源:Llama3 官方文档
安装与配置
学习如何安装和配置Llama3框架。
官方文档提供详细的安装步骤和配置指南。
基础操作
熟悉Llama3的基本操作,包括数据加载、模型定义和训练。
官方教程和示例代码
进阶使用:深入学习Llama3的高级功能,如自定义模型、优化和调参。
7. 微调模型
微调
概念
了解微调(Fine-tuning)的基本概念和原理。
在线资源: 微调模型指南
微调Llama3
学习如何在Llama3框架中进行模型微调。
官方文档和示例代码
实践项目:通过实际项目进行微调练习,如文本分类、命名实体识别等。
8. LangChain 框架学习
9. 实践项目和竞赛
Kaggle:参与Kaggle竞赛,通过实际项目提升技能。
开源项目:在GitHub上寻找并贡献于开源的AI项目。
个人项目:选择一个感兴趣的领域,如图像识别、语言翻译,进行个人项目开发。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。