AI 章节用于整理从机器学习到大语言模型应用的长期知识。它和数据章节的区别在于：数据章节更关注分析师和数据科学家的工作流，AI 章节更关注模型原理、深度学习、大模型能力和实际应用构建。

学习路线

机器学习基础 -> 深度学习 -> 大语言模型 -> AI 应用与实践

模块入口

机器学习基础

入口：机器学习基础

从监督学习、无监督学习和模型评估开始，建立损失函数、泛化、过拟合、特征工程和评估指标的基础概念。

补充入口：数学基础、算法专题、西瓜书笔记

深度学习

入口：深度学习

理解神经网络、反向传播、CNN、RNN 和序列建模，为后续理解 Transformer 和大模型打基础。

补充入口：深度学习工程环境、PyTorch、计算机视觉

大语言模型

入口：大语言模型

围绕 Transformer、预训练、微调、上下文学习和提示工程，整理当前大模型体系中相对稳定的核心概念。

AI 应用与实践

入口：AI 应用与实践

记录 API 调用、RAG、知识库、Agent、工具调用和实际项目工作流，把模型能力转化成可用系统。

学习建议

1. 不要只追热点，先掌握损失函数、优化、评估和数据问题。
2. 学大模型时同时学习工程落地：调用、检索、权限、监控、成本和评估。
3. 把新闻简报里的 AI 事件和这里的基础知识互相连接：新闻提供现实案例，笔记提供理解框架。
4. 对快速变化的模型名称保持克制，优先记录长期有效的原理、模式和实践经验。

当前整理状态

模块	内容	状态
机器学习基础	监督学习、无监督学习、模型评估、数学基础、算法专题、西瓜书	已扩展
深度学习	神经网络、CNN、RNN、工程环境、PyTorch、计算机视觉	已扩展
大语言模型	Transformer、预训练、提示工程	已建立结构
AI 应用与实践	API、RAG、Agent	已建立结构

贡献者: kai