个人学习笔记
返回首页

12 周学习路线

系统化的 12 周学习计划，从 Python 基础到 LLM 应用工程，每周包含具体目标、学习内容和可交付成果。

预计每周 6-10 小时，总计约 80-120 小时

阶段概览

第 1-2 周：Python + 数学基础
第 3-4 周：机器学习入门闭环
第 5-6 周：树模型与特征工程
第 7-8 周：深度学习基础
第 9-10 周：Transformer 与文本任务
第 11-12 周：LLM 应用工程

每周详情

1

Python 编程基础

NumPy 向量化、Pandas 数据清洗、可视化入门

2

数学够用基础

矩阵乘法、向量空间、导数与链式法则

3

回归与分类算法

线性回归、逻辑回归、模型训练与预测

4

模型评估与正则化

AUC/F1、混淆矩阵、交叉验证、L1/L2

5

决策树与随机森林

树模型原理、集成学习、特征重要性分析

6

GBDT 与特征工程

XGBoost/LightGBM、类别特征处理、SHAP 解释

7

深度学习基础理论

反向传播、损失函数、优化器原理

8

PyTorch 实战

Dataset/DataLoader、训练循环、模型部署

9

Transformer 架构

Self-Attention、Multi-Head、位置编码

10

预训练模型微调

BERT 微调做分类/NER、迁移学习

11

RAG 检索增强生成

文档切分、Embedding、检索、重排、引用

12

LLM 应用与评测

结构化输出、工具调用、评测体系

里程碑汇总

1

第 1-2 周：Python + 数学基础

交付：用 Pandas 完成 EDA

2

第 3-4 周：机器学习入门闭环

交付：Kaggle 泰坦尼克/房价预测

3

第 5-6 周：树模型与特征工程

交付：LR vs GBDT 效果对比

4

第 7-8 周：深度学习基础

交付：MLP/CNN 训练 MNIST/CIFAR10

5

第 9-10 周：Transformer 与文本任务

交付：文本分类小项目

6

第 11-12 周：LLM 应用工程

交付：个人知识库问答原型

学习建议

  • 每周保持 6-10 小时的学习时间，不要贪多求快
  • 理论与实践并重，每个里程碑都必须动手完成
  • 遇到困难时先尝试独立解决，再查阅资料或求助
  • 每周结束做一次复盘，记录学到的知识和遇到的问题
  • 加入学习社区，与他人交流能加深理解