AI/ML 算法工程师 总学习大纲（1750小时版）

核心原则：以项目带学习，理论结合实践。总学习时长1750小时，其中项目实战350小时，理论学习与练习1400小时。
学习周期：按每天高效学习6-8小时计算，约需6-8个月完成。

一、Python 与编程基础（120小时）

目标：能写出优雅、高效的代码，通过算法笔试。

• 1.1 基础语法（变量、控制流、循环、异常处理）
• 1.2 内置数据结构（list, tuple, dict, set）及时间复杂度分析
• 1.3 面向对象编程（类、继承、多态、魔法方法）
• 1.4 函数式编程（lambda, map, reduce, filter，zip, chain）
• 1.5 闭包与装饰器（掌握@wraps，能实现带参数装饰器）
• 1.6 正则表达式（re模块，贪婪/非贪婪匹配）
• 1.7 多任务编程（多线程threading、多进程multiprocessing、协程asyncio）
• 1.8 网络编程（socket）与异步IO
• 1.9 文件IO（open, with, pickle, json）
• 1.10 【核心】数据结构与算法（LeetCode Hot 100）
  • 数组、链表、栈、队列、哈希表
  • 二叉树遍历（前/中/后/层序）与递归
  • 双指针、滑动窗口、前缀和
  • 回溯（排列/组合）、动态规划（背包/子序列）
• 1.11 【必备】版本控制Git（分支管理、冲突解决、PR协作流程）
• 1.12 数据库基础（MySQL关系型、Redis非关系型）

二、数据分析与工程基础（120小时）

目标：能处理数据，能将模型封装成服务。

• 2.1 Numpy（ndarray创建、切片、广播机制、向量化计算）
• 2.2 Pandas（Series/DataFrame、数据清洗、分组聚合groupby、透视表）
• 2.3 Matplotlib & Seaborn（折线图、直方图、混淆矩阵可视化）
• 2.4 Linux命令行（grep, awk, sed, top, ps, netstat, vim）
• 2.5 Shell脚本编写（变量、循环、条件判断、定时任务crontab）
• 2.6 Docker（镜像构建Dockerfile、容器操作、docker-compose编排）
• 2.7 开发环境配置（WSL、SSH、conda/venv虚拟环境）
• 2.8 【新增】Web服务框架（FastAPI/Flask）：编写RESTful API，部署模型推理接口
• 2.9 低代码/工具链了解（Coze、Dify、RAGFlow）

三、机器学习 - 传统ML（200小时）

目标：掌握机器学习全流程（Sklearn），理解经典算法推导。

理论基础与建模流程（80h）

• 3.1 特征工程（缺失值填充、One-Hot编码、标准化/归一化、特征选择）
• 3.2 数据集划分（训练/验证/测试）与K-Fold交叉验证
• 3.3 回归任务（线性回归、逻辑回归、损失函数推导）
• 3.4 分类任务（K近邻、朴素贝叶斯）
• 3.5 决策树（ID3, C4.5, CART：信息增益、基尼系数、剪枝）
• 3.6 集成学习（Bagging随机森林、Boosting AdaBoost）
• 3.7 【新增】XGBoost / LightGBM（掌握核心参数与调优）
• 3.8 聚类（K-Means, DBSCAN）与降维（PCA, t-SNE）
• 3.9 SVM支持向量机（理解核函数思想）

模型评估与调优（40h）

• 3.10 评估指标（混淆矩阵、Precision/Recall/F1、ROC-AUC、MSE/MAE/R²）
• 3.11 过拟合与欠拟合（学习曲线、验证曲线）
• 3.12 超参数搜索（GridSearchCV, RandomSearchCV, Optuna）
• 3.13 流水线（Pipeline）封装完整建模流程

四、深度学习基础 - PyTorch（200小时）

目标：彻底搞懂反向传播，能手撕CNN/RNN，精通PyTorch训练流。

• 4.1 PyTorch张量高阶操作（view, permute, broadcast, 索引）
• 4.2 自动求导（torch.autograd）与计算图理解
• 4.3 手动推导梯度下降（SGD）与反向传播链式法则
• 4.4 激活函数（ReLU, Sigmoid, Tanh, Swish, GELU）与梯度消失/爆炸
• 4.5 损失函数（CrossEntropyLoss, MSELoss, NLLLoss）与Softmax
• 4.6 梯度优化算法（Momentum, Adam, AdamW）与学习率衰减（CosineAnnealing）
• 4.7 权重初始化（Xavier, Kaiming）与批归一化（BN, LayerNorm）
• 4.8 卷积神经网络CNN（卷积、池化、空洞卷积、感受野计算、1x1卷积）
• 4.9 循环神经网络RNN / LSTM / GRU（门控机制、双向LSTM）
• 4.10 【核心】PyTorch模型定义（nn.Module、模型保存/加载save/load）
• 4.11 【核心】训练循环封装（DataLoader、Dataset自定义、验证集评估）
• 4.12 【新增】模型导出与优化（ONNX导出、TensorRT基础）

五、Transformer与LLM（400小时）—— 重中之重！

目标：能讲透Transformer每一层设计，能独立完成大模型微调与部署。

5.1 原理篇（200h）

• 5.1.1 词向量（Word2Vec的CBOW/Skip-gram、GloVe、FastText）
• 5.1.2 Transformer结构（完整推导Encoder/Decoder、多头注意力、位置编码、Add&Norm）
• 5.1.3 BERT（MLM掩码语言模型、NSP下一句预测）
• 5.1.4 GPT系列（GPT-1/2/3/3.5：从无监督预训练到In-Context Learning）
• 5.1.5 大模型训练技术（RLHF、PPO、DPO）
• 5.1.6 国产模型架构（Qwen、ChatGLM、Baichuan架构特点）

5.2 工程篇（200h）

• 5.2.1 迁移学习与指令微调（Instruction Tuning）
• 5.2.2 参数高效微调（LoRA、QLoRA、AdaLoRA、DoRA）
• 5.2.3 模型量化（GPTQ、AWQ、bitsandbytes 4-bit/8-bit）
• 5.2.4 推理加速框架（vLLM、PagedAttention、FlashAttention 2）
• 5.2.5 分布式训练框架（DeepSpeed ZeRO Stage 1/2/3、FSDP）
• 5.2.6 本地部署工具（Ollama、llama.cpp、GGUF格式）

六、计算机视觉与多模态（260小时）

目标：覆盖CV经典任务与AIGC主流框架，跟上多模态前沿。

6.1 经典视觉任务（120h）

• 6.1.1 经典分类网络（AlexNet, VGG, ResNet, DenseNet, EfficientNet）
• 6.1.2 语义分割（FCN, Unet, DeepLab）
• 6.1.3 实例分割（Mask R-CNN）
• 6.1.4 【新增】目标检测（YOLO系列原理与演进、SSD）

6.2 生成模型（80h）

• 6.2.1 VAE变分自编码器（重参数化技巧、ELBO推导）
• 6.2.2 GAN生成对抗网络（DCGAN、StyleGAN、CycleGAN）
• 6.2.3 Diffusion扩散模型（DDPM前向/逆向过程推导、噪声调度器）

6.3 多模态前沿（60h）

• 6.3.1 【新增】CLIP（对比学习、图文对齐、Zero-shot推理）
• 6.3.2 【新增】DALL-E / Imagen / DreamBooth（文生图与个性化生成）
• 6.3.3 【新增】MiniGPT-4 / LLaVA（多模态大模型架构）

七、项目实战（350小时）—— 简历硬通货！

原则：每个项目都要能讲清楚动机、方案、难点、成果，并量化指标。

• 7.1 项目一（CV分类）：基于ResNet的工业缺陷检测 / CIFAR-10分类（80h）
• 7.2 项目二（NLP）：基于BERT的微博情感分析 / 垃圾短信分类（80h）
• 7.3 项目三（LLM微调）：基于QLoRA微调Qwen垂直领域问答（100h）
• 7.4 项目四（LLM部署）：vLLM+FastAPI+私有化Qwen推理服务与Docker部署（50h）
• 7.5 项目五（AIGC）：基于Diffusion的二次元头像生成 / DreamBooth个性化生成（40h）
• 7.6 项目六（多模态）：基于CLIP实现跨模态检索（文本搜图/图搜文本）（30h）
• 7.7 项目复盘：整理技术文档、录制演示视频、GitHub归档（20h）

八、求职冲刺（100小时）

• 8.1 简历撰写：STAR法则量化项目成果（技术栈+指标+挑战）
• 8.2 高频八股背诵：手推公式（注意力、LoRA、BN）、模型结构（Transformer/ViT）
• 8.3 算法题库突击：LeetCode Hot 100 二刷+剑指Offer重点题
• 8.4 模拟面试：自我介绍打磨、项目深挖（为什么不用XX方案？）

⏱️ 总时间分配概览

模块	内容	建议时长（小时）
一	Python与编程基础	120
二	数据分析与工程基础	120
三	传统机器学习（ML）	200
四	深度学习基础（PyTorch）	200
五	Transformer与LLM（核心重点）	400
六	计算机视觉与多模态	260
七	项目实战（6个核心项目）	350
八	求职冲刺	100
总计		1750

📌 附加说明

1. 优先级：Transformer与LLM（模块五）是面试最大加分项，时间可向此倾斜，但切勿跳过传统ML（模块三），大厂面试必有。
2. 关于Y-组合子、SJT算法：经评估后已从大纲中移除，这些属于学术趣味知识，对求职与项目实战贡献极低，不必在上面浪费时间。
3. 项目深度：350小时项目务必坚持完成，切忌只跑通官方demo。建议每个项目都改写部分核心代码（如自定义Dataset、修改网络结构、添加评估指标）。
4. 数学基础：线性代数/概率论不需要单独占用学习时长，遇到公式（如Attention、BN）时当场复习相关数学知识，效率更高。
5. 迭代建议：每周日抽出3小时复盘当周进度，对照本大纲打勾标记完成项，动态调整下周计划。