> ## Content Index > Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt > Use this file to discover other available public pages before exploring further. # 从零到AI工程师：我的学习路线图 - URL: https://www.hubwiz.com/blog/from-zero-to-ai-engineer-my-roadmap/ - Published: 2026-05-03T12:55:41.000Z - Updated: 2026-05-03T12:55:41.000Z - Description: 在这篇博客中，我将分享我从零开始精通机器学习的旅程，从构建对现代 GenAI LLM 架构和前沿技术的理解，到分享资源。 - Author: admin - Tags: JOB MARKET, #Import 2026-10-14 14:41 许多人对人工智能（AI）和机器学习（ML）感到困惑，通常认为它们是相同的，但事实并非如此。AI 是一个更广泛的领域，专注于构建能够智能行为的系统，而 ML 是 AI 的一个子集，使系统能够从数据中学习。ML 模型不是被显式编程的，而是在数据上训练以识别模式并做出未来决策。 现代系统如大语言模型（LLM）和计算机视觉模型主要由 ML 驱动。然而，AI 不仅限于 ML。其他方法也在业界广泛使用，例如基于图的技术（常用于游戏中的智能移动）和进化算法等。 在这篇博客中，我将分享我从零开始精通机器学习的旅程，从构建对现代 GenAI LLM 架构和前沿技术的理解，到分享资源。这不是一段短旅程；有许多技术栈、教训、挑战和洞见，我将在整篇博客中分享。 我没有深入探索 AI 的其他领域。我研究了一些基于图和进化的技术，但我大部分时间都专注于机器学习，这也是我今天继续工作的方向。原因很简单：许多现实世界的问题都可以用 ML 有效地解决。 在此基础上，ML 社区构建了像大语言模型（LLM）这样强大的系统，它们已经彻底改变了许多用例和应用。 ## 1、学习机器学习的先决条件 学习机器学习的先决条件包括对数学的基本理解，因为 ML 在很大程度上基于数学。你应该熟悉概率、微分（微积分）和线性代数等概念。话虽如此，如果你不是这些领域的专家也不必担心。随着你学习和实现不同的模型，你将在实践工作中逐渐建立对这些概念的理解。 此外，对编程的基本理解也很重要。Python 是 ML 的最佳选择，因为它简单且生态系统强大。如果你不熟悉 Python，可以快速入门——大多数初学者教程可以在几小时内让你上手，这足以开始你的旅程。 ## 2、理解传统机器学习 在开始阶段，你应该专注于传统机器学习模型。从理解基本概念开始，比如监督学习与无监督学习、回归与分类。大多数统计 ML 模型都属于这些类别。 你应该涵盖一些基本模型，包括线性回归、逻辑回归、决策树、随机森林、支持向量机（SVM）、K 近邻（KNN）、朴素贝叶斯和梯度提升。这些是构成机器学习基础的核心模型，也是面试中常被问到的。 虽然还有许多其他模型可用，但它们通常更针对特定用例。你可以从下面的链接探索它们，但掌握这些基本模型是最重要的第一步。 ![](https://www.hubwiz.com/blog/content/images/2026/05/image-28.png) ## 3、理解深度学习 在这一步中，你应该从理解神经网络开始深度学习的基础。从人工神经网络（ANN）开始，探索它们的工作原理。 关注关键概念，如激活函数的作用、损失如何计算，以及反向传播如何在训练期间更新模型。你还应该理解不同的损失函数以及学习率在优化模型中的重要性。 此外，学习单层感知器的架构，然后过渡到多层感知器（MLP），它们构成了深度学习模型的基础。 ![](https://www.hubwiz.com/blog/content/images/2026/05/image-29.png) 一旦你在神经网络方面建立了坚实的基础，下一步就是并行探索自然语言处理（NLP）和计算机视觉。然而，在深入这些领域之前，重要的是对数据预处理有扎实的理解。 数据预处理是任何 AI 系统的关键部分。它涉及准备和转换数据，使模型能够有效学习。在以下部分中，我们将讨论结构化数据以及文本和图像数据的预处理方式。每个都将在各自的章节中涵盖，让我们从数据预处理的基础开始。 ### 3.1 数据预处理：机器学习的基础 在机器学习中有一件事非常清楚：**"垃圾进，垃圾出。"** 你提供给模型的数据质量直接影响其预测质量。如果输入数据质量差，模型的输出也将不可靠。 这就是为什么数据预处理是训练任何模型之前的关键步骤。它涉及应用各种转换和技术，使数据变得干净、一致且适合学习。 从**结构化数据**的角度来看，你应该理解以下关键概念： - 数据类型（连续和分类） - 集中趋势度量（均值、中位数、众数） - 离散程度度量（方差和标准差） - 数据偏度 - 处理异常值（使用 IQR 和 z-score 等方法） - 协方差和相关性 - 分箱和平滑 - 归一化和标准化 - 降维技术如 PCA 数据转换取决于你的具体用例和使用的模型类型。例如，如果你正在处理分类模型，你可能会应用与回归（连续值预测）不同的技术。转换的选择始终取决于数据的性质和你试图解决的问题。 ## 4、自然语言处理 自然语言处理（NLP）专注于从文本中提取洞察并使系统能够理解人类语言。 要开始并理解 NLP 的每个概念，请参考下图。 ![](https://www.hubwiz.com/blog/content/images/2026/05/image-30.png) ### 4.1 机器学习中的文本预处理 现在让我们谈谈文本数据的预处理方面。机器学习模型不能直接处理原始文本——它们需要数值输入。因此，第一步是将文本转换为数字。 在此之前，我们需要通过删除不太有价值的元素来清理文本。这包括数字（在某些情况下）、像"the"、"a"、"an"这样的常见词（称为停用词）、多余空格和其他不必要的字符。 为了处理这些任务，有几个流行的文本预处理库，如 SpaCy、NLTK 和 Gensim，它们提供了高效的工具来清理和准备文本数据。 ## 5、理解计算机视觉 在计算机视觉中，我们经常听到这样一句话："一张图片胜过千言万语。"这是因为一张图像包含数千（甚至数百万）个像素，每个像素都为描述图像做出贡献。机器学习模型使用这些像素值来理解图像并执行分类、检测和分割等任务。 为了更好地理解计算机视觉，了解它是如何演变的很有帮助。在机器学习兴起之前，计算机视觉严重依赖传统的图像处理技术，如滤波器和边缘检测。虽然许多这些方法已经被 ML 改进，但操作像素值的核心思想——通常通过滤波器——在现代计算机视觉模型中仍然发挥着基本作用。 要开始并理解计算机视觉的每个概念，请参考下图。 ![](https://www.hubwiz.com/blog/content/images/2026/05/image-31.png) ### 5.1 机器学习中的图像/视频预处理 图像和视频预处理包括图像缩放、归一化、图像增强（旋转、翻转、缩放、裁剪）、降噪、色彩空间转换（RGB 到灰度/HSV）、帧提取（用于视频）、帧采样、填充、直方图均衡化和标准化等技术。 ## 6、理解生成式 AI 要建立对生成式 AI 的深入理解，你需要从其核心基础开始。今天，许多人仅将 GenAI 与使用 LLM API 或构建代理联系起来，但这不是全貌。要真正理解并在这个领域成长，遵循超越 API 使用的结构化学习路径很重要。 ![](https://www.hubwiz.com/blog/content/images/2026/05/image-32.png) ## 7、ML 中的其他重要领域 除了结构化数据、NLP、计算机视觉和生成式 AI 之外，AI 中还有其他几个值得探索的重要领域。这些包括**音频和语音处理**，模型处理语音识别、说话人识别和音频生成等任务。另一个关键领域是**视频理解**，将计算机视觉扩展到时序数据，用于动作识别和视频分类等任务。**光学字符识别（OCR）** 也广泛用于从图像和扫描文档中提取文本。此外，**时间序列分析**、**推荐系统** 和**强化学习** 等领域在跨行业的现实世界 AI 应用中也发挥着重要作用。 ## 8、机器学习和 AI 中常用的工具和库 在机器学习和 AI 中，根据数据类型和问题使用不同的工具和库。 对于结构化数据，**Pandas**、**NumPy**、**BeautifulSoup**、**Selenium**、**Matplotlib** 和 **Seaborn** 等库通常用于数据收集、处理和可视化。对于建模，流行的框架包括 **Scikit-learn**、**TensorFlow** 和 **PyTorch**。 在自然语言处理（NLP）中，预处理通常使用 **NLTK**、**SpaCy** 和 **Gensim** 等库完成，而建模使用 **Scikit-learn**、**TensorFlow**、**PyTorch** 和基于 transformer 的库来处理。 对于计算机视觉，预处理通常使用 **OpenCV** 和 **NumPy** 执行，建模使用 **TensorFlow**、**PyTorch** 和基于 transformer 的方法完成。 在生成式 AI 领域，基于 transformer 的框架发挥核心作用，**PyTorch** 和 **TensorFlow** 被广泛使用。对于构建检索增强生成（RAG）等应用，**LangChain**、OpenAI API 和 Claude 等工具常被使用。 **工具：** 除了核心库之外，几个外部平台和工具在现代 AI 开发中也发挥着重要作用。**Hugging Face** 被广泛用于访问预训练模型、数据集和基于 transformer 的流水线。其他重要工具包括用于构建基于 LLM 的应用和代理的 **LangChain**，以及用于高效检索的向量数据库如 **Pinecone** 和 **FAISS**。这些工具大大简化了构建现实世界生成式 AI 应用的过程。 ## 9、结束语 人工智能是一个广阔的领域，远不止使用 API 或构建简单应用。在这篇博客中，我们探索了一条涵盖机器学习、深度学习、NLP、计算机视觉和生成式 AI 基础的结构化学习路径，以及实践中使用的基本工具和库。我们还看了其他对现实世界 AI 系统做出贡献的重要领域。关键要点是，在 AI 中建立专业知识需要坚实的基础、持续的实践以及对理论和实践应用的清晰理解。 --- 原文链接: [From Zero to AI Engineer: My Roadmap from Machine Learning to Generative AI](https://medium.com/data-science-collective/from-zero-to-ai-engineer-my-roadmap-from-machine-learning-to-generative-ai-df2b96cc2e02?ref=hubwiz.com) 汇智网翻译整理，转载请标明出处