AI 系统学习主线：从基础到应用
按前置关系走过数学、模型、提示、RAG、智能体、评估、工程与视觉，再选择深入支线。
TOPIC / foundations
基础概念
从相关笔记、实验和原始资料开始，建立自己的理解。
学习路径
传统机器学习支线：从特征到可信评估
系统学习特征、监督/无监督算法、指标、校准、公平、统计、时序和推荐，形成无泄漏比较方案。
AI 应用入门：从概念到一个小实验
先理解 token 与证据，再建立评估意识，最后用不依赖模型 API 的关键词实验验证检索边界。
笔记与实验
AI 系统大纲：核心、支线与完成标准
对照 GitHub 教材与开放课程，组织 61 篇笔记的前置顺序、知识清单、支线和综合任务。
已核验
AI 知识地图：八个模块与学习顺序
把常见 AI 方向组织成 8 个模块、61 篇笔记与 10 条路径，按前置知识、练习和原始来源学习。
已核验
AI 数学基础：张量、梯度与概率
把线性代数、微积分和概率连接到真实模型操作：看懂形状、梯度更新与不确定性。
已核验
数据与特征管线：先划分，再拟合
把数据探索、缺失处理、类别编码、标准化和特征选择放进可复用的训练管线，避免泄漏。
已核验
深度学习训练：计算图、损失与优化
理解神经网络训练闭环、过拟合与复现记录，区分训练目标改善和实际能力改善。
已核验
机器学习工作流：任务、数据与泛化
从回归、分类和聚类开始，建立数据划分、基线、特征处理与评估的完整顺序。
已核验
优化与正则化：学习率、泛化与训练曲线
区分优化算法和模型容量，学习 SGD、动量、Adam、正则化、初始化与早停的检查顺序。
已核验
PyTorch 训练实践：数据、梯度与 checkpoint
把 Dataset、DataLoader、张量形状、训练/推理模式和保存恢复连成可核查的训练流程。
已核验
推荐系统：召回、排序、反馈与冷启动
理解内容推荐、协同过滤、矩阵分解与多阶段排序，处理未曝光反馈和离线评价的边界。
已核验
强化学习：奖励、价值与策略
建立状态、动作、奖励与回报的概念，理解 Q-learning、策略梯度和 PPO 的学习目标。
已核验
监督学习算法：线性、树、集成与距离
对比回归和分类中的常用算法，理解假设、预处理、复杂度与基线选择。
已核验
时序预测：窗口、基线与滚动验证
围绕预测时点组织 lag、季节性和窗口特征，避免未来信息泄漏和随机切分的乐观误差。
已核验
无监督学习：聚类、降维与异常检测
理解 k-means、密度聚类、混合模型、PCA 和异常检测，区分发现结构与证明业务事实。
已核验
原始资料
动手学深度学习：数学、神经网络与视觉
线性代数、微积分、概率、自动微分、泛化、Transformer、计算机视觉。选取具体章节作为学习依据，保留 GitHub 快照与复用边界。
d2l-ai 及课程/项目贡献者
Google ML Crash Course：分类、数据与公平性
回归/分类、数据表示、泛化、神经网络、生产系统和偏差检查。
Google for Developers
Google 推荐系统课程：召回、评分与重排
内容推荐、协同过滤、矩阵分解、DNN、召回/评分/重排。
Google for Developers
Hugging Face 深度强化学习课程
状态、动作、奖励、Q-learning、策略梯度与 PPO。选取具体章节作为学习依据，保留 GitHub 快照与复用边界。
huggingface 及课程/项目贡献者
Microsoft 机器学习入门课程
回归、分类、数据清洗、模型评估与应用。选取具体章节作为学习依据，保留 GitHub 快照与复用边界。
microsoft 及课程/项目贡献者
PyTorch 官方教程：训练循环与迁移学习
Dataset/DataLoader、autograd、优化、保存加载、冻结和微调。
PyTorch 贡献者
scikit-learn 用户指南：算法、验证与校准
监督/无监督算法、Pipeline、数据泄漏、交叉验证、概率校准和特征重要性。
scikit-learn 贡献者
Stanford CS229：公开历史机器学习讲义
监督学习的目标、线性/逻辑回归和损失函数；数学推导作为进阶参考。
Andrew Ng 等 CS229 教学人员