数学基础
构建模型和理解算法的理论基石。
线性代数, 微积分, 概率论, 统计学, 最优化理论
编程与工具
实现算法和处理数据的基本技能。
Python, NumPy, Pandas, Matplotlib, Scikit-learn, Jupyter
核心机器学习
AI领域的核心，解决分类、回归和聚类问题。
监督学习 (线性回归, 逻辑回归, SVM, 决策树), 无监督学习 (K-Means, PCA), 模型评估与调优
深度学习
利用神经网络处理复杂模式和大规模数据。
神经网络基础, 反向传播, 激活函数, 损失函数, PyTorch/TensorFlow
计算机视觉 (CV)
让机器“看懂”图像和视频。
卷积神经网络 (CNN), 图像识别, 目标检测, 图像分割
自然语言处理 (NLP)
让机器理解和生成人类语言。
循环神经网络 (RNN), LSTM, Transformer, BERT, GPT
强化学习 (RL)
通过与环境交互学习最优策略。
马尔可夫决策过程, Q-Learning, Policy Gradients, AlphaGo
工程与部署 (MLOps)
将模型产品化并维护其生命周期。
模型部署, Docker, Kubernetes, CI/CD, 云平台 (AWS, GCP, Azure)
AI伦理与前沿
负责任地使用AI并关注未来发展。
公平性, 可解释性, 隐私安全, AGI, 多模态学习