🗺️学习路径与考证
零基础路线图、考证指南与职业路径，规划你的 AI 成长。
共 62 篇教程 · 6 个主题
学习路线与规划
16 篇 入门 AI 科研：从选题、复现到写出第一篇论文 为想踏入 AI 科研的初学者梳理选题、读论文、做实验与写投稿的完整路径与实用资源。 微调实战：LoRA 上手 介绍参数高效微调方法 LoRA：冻结原模型，只训练低秩适配矩阵，以极低显存让大模型适配特定任务，并给出 Hugging Face 实操要点。 转行做 AI：零基础到上岗 转行做 AI 不必从零啃完数学再求职，关键是按岗位补能力、用项目证明。本文给出一条从基础到上岸的务实路径与常见误区。 AI 副业与变现路线：用新技能赚到第一块钱 梳理 AI 辅助自媒体、定制服务、小工具与出海等副业路线，给出从作品集到第一单的路径，并提示版权、平台规则与夸大宣传等坑。 AI 岗位面试准备：算法、工程与应用岗通关路线 梳理 AI 算法、应用工程与数据等岗位的面试考察重点，给出基础知识清单、项目复盘与高频题型，帮你系统化备战。 AI 竞赛入门：Kaggle 与国内竞赛的完整路线 讲解从 Kaggle Titanic 到 Featured 赛的成长路线，覆盖表格、CV、NLP 与 LLM 赛的套路方法，并盘点国内主流竞赛平台。 AI 就业路线：岗位图谱与进阶路径 AI 行业岗位远不止算法工程师。本文梳理算法研究、应用工程、数据、产品、安全合规等方向的能力要求与进阶路径，帮你定位自己的切入点。 AI 入门路线图：从零到上手 面向零基础学习者的 AI 学习路线：先补数学与 Python，再用 PyTorch 上手深度学习，逐步过渡到 Transformer 与实战项目。 AI 实战项目路线：从教程到作品集 学完教程不动手等于没学。本文给出从 RAG 问答、微调分类器到 Agent、图像生成的项目清单，以及用 Hugging Face Spaces、GitHub 沉淀作品集的方法。 AI 细分方向进阶路线图：从入门到专精 NLP/LLM、CV、多模态、AI Agent、AI 安全、AI 工程——六大方向各自需要什么能力？本文给出可核验的学习资源地图。 AI 学习规划：90 天从入门到能做项目 给零基础到转岗者一份可执行的 90 天学习路线，强调以项目驱动。 AI 学习路线图：从零基础到方向深耕的六阶段 一条经过验证的六阶段 AI 学习路线：数学基础、Python、机器学习、深度学习到大模型与专项方向，附资源清单与避坑建议。 AI 自由职业入门：用 AI 技能接单变现 讲清用 AI 技能做自由职业的路径、平台与接单方法。 Kaggle 金牌进阶路径：从入门到 Top 10% 「系统拆解 Kaggle 竞赛类型与奖牌门槛、上分方法论、协作提效与 AI 辅助，给出三个月冲击首枚奖牌的实战路线图。」 Kaggle 竞赛：实战进阶 介绍如何借助 Kaggle 竞赛提升实战能力：从理解赛题与基线，到特征工程、模型融合与提交，建立端到端的数据科学流程。 Kaggle 实战指南：从入门到奖牌 Kaggle 是打磨数据科学能力的实战场。本文给出从选赛、基线、特征到集成与复盘的成长路径，帮助新手稳步走向奖牌。
求职与职业发展
13 篇 建立个人 AI 作品集：从练手项目到能拿出手的作品 讲解如何把 AI 学习变成可展示的作品集，覆盖项目选题、开源沉淀、文档撰写与展示渠道，帮你把能力变成别人看得到的证据。 面试准备：算法与 ML 总结 AI 岗位面试的常见考点：数据结构与算法、机器学习基础、深度学习原理与 coding 实战，并给出可执行的高频复习策略。 人工智能训练师职业认证：国家职业技能标准与申报指南 依据人社部、工信部《人工智能训练师国家职业技能标准（2021年版）》，梳理等级划分、申报条件、考核内容与证书效力。 提示工程师：岗位解析 提示工程师负责把业务问题写成模型能稳定执行的指令。本文解析岗位内容、所需能力与真实边界。 转行 AI 的学习节奏：非科班如何稳扎稳打 给非科班背景的转行者一套可在职推进的分阶段学习节奏与作品集策略，并指出只刷课不练、追新忽略基础等常见坑。 AI 产品经理：需求到落地 AI 产品经理要把模糊需求变成可评估的模型功能。本文讲清需求拆解、效果度量与跨团队落地的要点。 AI 产品经理成长路径：从需求到落地的能力地图 梳理 AI 产品经理需要掌握的核心能力、典型工作流与学习路线，帮助你从零构建把 AI 能力转化为产品的实战能力。 AI 创业：从 0 到 1 AI 创业要把模型能力转化为可付费的产品。本文讲清找痛点、做最小原型、验证与控成本的起步方法。 AI 岗位面试准备：高频考点 梳理 AI 岗位（算法、工程、应用）面试的常见考察维度与准备方法，帮你有的放矢。 AI 实习与求职指南：从简历到 offer 「从岗位图谱、简历包装到面试节奏，系统讲清学生与转行者如何拿到第一份 AI 实习 offer」 AI 职业发展与岗位图谱：岗位差异、技能栈与成长建议 拆解算法、机器学习、AI 应用、数据、AI 产品等主流岗位的差异与技能栈，结合公开行业报告给出趋势判断与求职成长建议。 AI 作品集：用项目证明能力 讲清 AI 方向作品集该放什么、怎么讲清楚影响力，帮你用项目而非证书打动招聘方。 MLOps 职业：工程化之路 MLOps 把模型从实验带到生产并稳定运营。本文讲清职责边界、核心工具与成长路径。
竞赛与科研
9 篇 顶会论文投稿流程：从 idea 到 camera-ready 「梳理 NeurIPS、ICML、ICLR、CVPR 等顶会的年度投稿周期与双盲评审流程，从选题、复现、写作到 OpenReview 投稿与 rebuttal，给出新手可执行的投稿清单与避坑指南。」 读博做 AI：研究与发表 面向有意攻读 AI 博士的学习者，说明研究从找问题到发表的全流程：文献调研、提出假设、实验验证、撰写论文与同行评审。 开源贡献：从 Issue 起步 讲解如何参与 AI 开源项目：从阅读贡献指南、认领 good first issue，到提交规范 PR，逐步建立可信的贡献记录。 开源贡献：从读代码到提 PR 参与开源是积累工程口碑与真实能力的最短路径之一。本文讲清如何选项目、读代码、提 issue 与 PR，以及在 AI 开源生态里找到自己的切入点。 科研工具链：Zotero 与 Obsidian 高效组合 「用 Zotero 收文献、用 Obsidian 记笔记，二者联动让读过的论文不再散落各处、随时可复现可引用」 研究科学家：日常与要求 研究科学家推动模型与方法的边界。本文讲清典型日常、硬技能要求与进入路径。 AI 会议指南：顶会与投稿怎么选 AI 顶会是研究成果发布与同行交流的核心场所。本文以常见会议为例讲清投稿基本流程、按方向选会议的思路，以及给新手的建议，相关会议名称以核实为准。 AI 论文选题：从研究问题到可发表选题的方法与陷阱 讲解人工智能论文选题方法：从研究问题出发，找到新颖、重要、可行的方向，并规避过大、重复、不可复现等常见陷阱。 AI 论文阅读方法：从速读到复现 面对每天涌现的 arXiv 论文，如何高效地判断该不该读、读懂创新点并转化为能力？本文给出三遍法、检索与跟踪渠道，以及做笔记与尝试复现的实操路径。
课程与资源
13 篇 技术写作：把事讲清 技术写作让复杂的 AI 概念被正确使用。本文讲清目标读者、结构方法与常见坑。 技术演讲：分享影响力 技术演讲把你的 AI 实践变成他人可复用的影响力。本文讲清选题、结构与现场表达的要点。 优质 AI 公开课：系统学习路径 系统学习 AI 离不开优质公开课。本文按数学基础、机器学习、深度学习与前沿方向梳理一批经典课程，并给出按基础搭配的学习路径。 优质 AI 视频与频道推荐：跟着对的源头学 推荐一批适合系统学习 AI 的优质视频/频道（含中英文），并说明各自的侧重点。 值得订阅的 AI 博客与技术号 持续跟进优质 AI 博客与技术号，是保持对前沿与工程实践敏感度的最低成本方式。本文按研究、工程与行业三类推荐值得长期订阅的信息源。 AI 社区与圈子：跟对人少走弯路 AI 领域更新极快，好的社区能提供信息、反馈与机会，帮人少走弯路。本文讲清社区的价值、类型，以及有效参与和避坑的方法。 AI 社区与线下活动：加入圈子一起成长 讲清 AI 社区与线下活动的价值、类型与参与方法。 AI 社区与信息源：高效跟进前沿的渠道地图 梳理跟进 AI 前沿的优质信息渠道：论文平台、开源社区、Newsletter 与中文社区，帮你建立可持续的学习信息流。 AI 书单：系统打底 系统入门 AI 需要几本经典打底。本文按数学、机器学习、深度学习与实践四类给出书单与读法。 AI 学习资源甄选：在信息洪流里挑对的吃 给出分层筛选 AI 学习资源的方法与甄选标准，覆盖系统课程、论文代码、社区与动手平台，并教你搭建可持续的个人信息流。 AI 优质公开课与资源推荐：系统学习的外部燃料 梳理系统学习人工智能的高质量公开课与免费资源，覆盖神经网络基础、深度学习、NLP 与大模型方向，帮你搭好自学课程体系。 AI 运营：增长与留存 AI 产品的运营要把模型能力转化为用户习惯。本文讲清用数据找增长点、用反馈做留存的方法。 AI 资讯订阅：保持信息不落伍 讲清 AI 资讯的高效订阅方式（官方博客/邮件周报/社区），避免信息过载。
实战项目
9 篇 部署实战：模型上云 梳理机器学习模型从训练到上线的流程：导出模型、封装推理接口、容器化与云端部署，并说明批处理与在线服务的取舍。 从零实现 Transformer 不使用高层封装，用 PyTorch 手写自注意力、多头注意力与前馈层，理解 Transformer 的计算细节与位置编码的作用。 从首个 PR 到 merged：AI 开源项目贡献实战 「从首个 PR 到 merged：手把手走通 AI 开源项目贡献全流程，从选项目、fork 协作、提交规范到实战示例，帮你迈出开源第一步。」 机器学习数学基础：线代概率 梳理机器学习必备的线性代数与概率统计知识，说明矩阵运算、梯度、贝叶斯等概念在模型训练中的作用，并给出学习建议。 数据工程：pipeline 为王 数据工程为 AI 提供干净可靠的燃料。本文讲清 pipeline 思维、核心组件与与算法协作的要点。 Agent 实战：多工具编排 讲解 AI Agent 的基本形态：以大模型为决策核心，连接搜索、计算、代码执行等工具，并通过规划与反思完成多步任务。 Python for AI：必备语法 总结人工智能学习中最常用到的 Python 语法：列表推导、函数、类、NumPy 数组与文件读写，并说明为何 Python 是 AI 首选语言。 PyTorch 基础：张量与自动求导 讲解 PyTorch 的核心概念：张量、自动求导与神经网络模块，配合可运行示例，帮助初学者快速搭建第一个可训练模型。 RAG 实战：搭建检索问答 介绍检索增强生成（RAG）的原理与落地步骤：切分文档、向量化入库、检索相关片段并拼入提示词，让大模型基于私有知识作答。
认证与考试
2 篇没有匹配的教程，换个关键词、难度或主题试试。