AI学习路线图思维导图模板_ProcessOn思维导图、流程图

阶段一：基础知识构建

编程语言Python<br>

推荐资源

Python官方教程<br>

建议B站上搜索视频教程帮助快速入🚪<br>

数学基础

线性代数

矩阵与向量的基本运算：加法、乘法、转置

矩阵的性质：秩、逆矩阵、对称矩阵

特征值与特征向量：理解矩阵分解的基础

矩阵分解（了解即可）：奇异值分解（SVD）

向量空间与子空间：线性相关、基、维度（基本理解）

微积分

函数的极限与连续性（了解即可）

导数及其物理意义：理解斜率和变化率

链式法则：反向传播算法的数学基础

偏导数与梯度

积分的基本概念（重点是理解累计量，复杂积分可略过）

概率论

随机变量及其分布：离散和连续分布（尤其关注正态分布）

期望、方差：理解数据分布和模型输出的基本统计量

条件概率和贝叶斯定理：理解概率模型和推断的基础

独立性与相关性

概率密度函数（PDF）和累积分布函数（CDF）

统计学

样本与总体的概念

常用统计量：均值、中位数、方差、标准差

参数估计：最大似然估计（MLE）

假设检验和置信区间（了解基本概念即可）

回归分析基础：简单线性回归

推荐资源

线性代数

概率论与数理统计

微积分

阶段二：机器学习

理论学习

掌握监督学习

无监督学习

强化学习

推荐资源

吴恩达机器学习课程（Coursera）

机器学习实战

实践项目

推荐项目

手写数字识别（MNIST）

MNIST数据集介绍

数据集来源与历史

NIST特殊数据库SD-3

手写数字扫描项目

转换为MNIST格式

数据标准化与公开

数据集结构与内容

训练集与测试集划分

训练集样本数量

测试集样本数量

图像格式与标签

28x28像素灰度图

0-9数字标签

数据集特点与应用

简单明了的图像分类任务

入门机器学习与深度学习

丰富的算法验证与比较基准

传统方法与深度学习对比

手写数字识别技术概览

预处理技术

图像灰度化与二值化

灰度化处理

二值化阈值选择

噪声去除与平滑

中值滤波

高斯滤波

数据增强

旋转与缩放

平移与翻转

特征提取方法

基于像素的特征

灰度值统计特征

纹理特征

基于变换的特征

傅里叶变换

小波变换

分类算法

K近邻算法

距离度量选择

K值优化

支持向量机

核函数选择

参数调优

神经网络与深度学习

多层感知机

卷积神经网络（CNN）

手写数字识别模型训练

模型选择与架构设计

多层感知机设计

输入层与隐藏层配置

激活函数选择

卷积神经网络设计

卷积层与池化层配置

全连接层与输出层设计

损失函数与优化算法

均方误差损失函数

定义与计算

优缺点分析

交叉熵损失函数

多分类问题适用

梯度计算与优化

优化算法选择

随机梯度下降（SGD）

Adam优化器

训练过程与参数调优

数据批处理与迭代次数

小批量梯度下降

迭代次数与早停法

学习率调整策略

固定学习率

学习率衰减

模型评估与验证

训练集与验证集表现

过拟合与欠拟合判断

手写数字识别模型评估与优化

评估指标与方法

准确率与错误率

定义与计算

局限性分析

混淆矩阵与F1分数

混淆矩阵构建

F1分数计算与意义

模型优化策略

数据层面优化

更多数据收集

数据清洗与标注

模型层面优化

模型架构调整

正则化与Dropout

算法层面优化

集成学习方法

超参数调优技术

手写数字识别应用与展望

应用领域与案例

邮政编码识别

自动化邮件分拣系统

识别精度与效率要求

银行支票处理

手写金额识别

安全性与准确性考量

教育辅助工具

学生作业自动批改

个性化学习路径推荐

技术挑战与未来趋势

复杂背景与噪声干扰

鲁棒性增强方法

深度学习与计算机视觉进展

实时性与低功耗需求

嵌入式系统与边缘计算

模型压缩与加速技术

跨领域迁移学习

手写文字识别拓展

多模态数据融合应用

房价预测（波士顿房价数据集）

数据集介绍

基本信息

数据集来源

麻省理工学院

数据集大小

506个样本

数据集特征

13个特征变量

数据预处理

缺失值处理

填充缺失值

删除缺失值

异常值检测与处理

统计方法检测

领域知识判断

特征缩放

标准化

归一化

数据可视化

特征分布图

直方图

箱线图

相关性分析图

热力图

散点图矩阵

房价与特征关系

模型选择与训练

线性回归模型

模型原理

线性方程

损失函数

模型训练

训练集划分

参数估计

模型评估

均方误差

决定系数

决策树模型

模型原理

节点划分

叶节点预测

模型训练

超参数调优

模型评估

准确率

特征重要性

随机森林模型

模型原理

多棵决策树集成

袋装法

模型训练

并行训练

模型评估

OOB误差

变量重要性

支持向量机模型

模型原理

最大间隔分类

核函数

模型训练

软间隔优化

模型评估

支持向量比例

分类边界可视化

模型优化与调参

交叉验证

K折交叉验证

K值选择

结果汇总

留一法交叉验证

计算复杂度

适用场景

网格搜索

参数网格定义

步长设置

范围界定

模型评估与选择

最优参数组合

性能提升评估

特征选择与降维

特征重要性排序

基于模型的特征选择

基于统计的特征选择

主成分分析（PCA）

主成分提取

降维效果评估

超参数调优

网格搜索与交叉验证结合

细粒度调优

计算资源分配

随机搜索

概率分布采样

探索与利用平衡

模型评估与比较

评估指标

均方误差（MSE）

定义与计算

优缺点分析

决定系数（R²）

定义与计算

解释力度评估

模型对比

线性回归 vs决策树

预测精度对比

模型可解释性对比

决策树 vs 随机森林

泛化能力对比

计算复杂度对比

支持向量机 vs 其他模型

非线性处理能力对比

参数敏感性对比

预测与结果分析

预测结果输出

单个样本预测

输入特征值

预测房价

批量样本预测

数据集输入

预测结果集

结果分析

误差分析

系统误差与随机误差

误差来源追溯

敏感性分析

特征敏感性

参数敏感性

模型改进建议

特征工程优化

模型选择与集成

阶段三：深度学习

理论学习

神经网络（Neural Networks, NN）

卷积神经网络（Convolutional Neural Networks, CNN）

循环神经网络（Recurrent Neural Networks, RNN）

推荐资源

深度学习专项课程（Coursera）

神经网络与深度学习

实践项目

图像分类（CIFAR-10）

CIFAR-10数据集概述

数据集简介

图像数量与类别

60000张彩色图像

10个不同类别

图像尺寸与格式

32x32像素

PNG格式

数据预处理

归一化处理

像素值归一化到[0,1]

数据增强

旋转、翻转、裁剪

数据集划分

训练集、验证集、测试集

图像分类模型

卷积神经网络（CNN）

LeNet-5

卷积层与池化层

全连接层与Softmax输出

AlexNet

更深的网络结构

ReLU激活函数与Dropout

残差网络（ResNet）

残差块设计

跳跃连接

瓶颈结构

网络深度与变体

ResNet-18, ResNet-50等

轻量级网络

MobileNet

深度可分离卷积

宽度乘数与分辨率乘数

ShuffleNet

逐点分组卷积

通道混洗操作

模型训练与优化

损失函数

交叉熵损失

多分类问题常用

计算简便

自定义损失函数

结合业务场景

提升模型性能

优化器选择

SGD及其变体

动量、Nesterov加速

Adam优化器

自适应学习率调整

RMSprop与Adadelta

均方根传播与自适应学习率

学习率调整策略

固定学习率

简单直接

可能收敛慢

学习率衰减

指数衰减、余弦衰减

自适应学习率调整

根据梯度变化调整

模型评估与调优

评估指标

准确率

分类正确的样本比例

直观易懂

精确率与召回率

针对不平衡数据集

F1分数综合考量

混淆矩阵

详细展示各类别表现

模型调优策略

早停法

防止过拟合

验证集损失不再下降时停止

正则化方法

L1、L2正则化

Dropout层

超参数调优

网格搜索、随机搜索

贝叶斯优化

情感分析（IMDB影评数据集）

数据集概述

数据集来源

IMDB网站

电影评论收集

评分系统

数据集规模

评论数量

总评论数

各评分等级评论数

数据集特点

文本长度不一

短评与长评

情感倾向明确

正面评论与负面评论

时间跨度大

不同年代的评论

数据预处理

文本清洗

去除HTML标签

正则表达式匹配

去除停用词

停用词表构建

去除标点符号

特殊字符处理

文本分词

基于空格的分词

英文分词特点

基于正则表达式的分词

复杂词汇处理

文本向量化

词袋模型

单词频率统计

TF-IDF模型

词频-逆文档频率

词嵌入模型

Word2Vec

GloVe

模型构建

传统机器学习模型

朴素贝叶斯

特征选择与权重

支持向量机

核函数选择

逻辑回归

正则化方法

决策树与随机森林

树结构构建

深度学习模型

LSTM模型

长短期记忆网络

GRU模型

门控循环单元

CNN模型

卷积神经网络

文本卷积

Transformer模型

自注意力机制

多头注意力

模型评估与优化

评估指标

准确率

正确分类比例

精确率与召回率

正类预测准确性

F1分数

精确率与召回率的调和平均

ROC曲线与AUC值

分类器性能评估

模型优化

参数调优

网格搜索与交叉验证

特征工程

特征选择与组合

集成学习

Bagging与Boosting

阶段四：自然语言处理（NLP）

理论学习

词向量（Word Embedding）

词嵌入：将词语映射为低维稠密向量，捕捉语义信息。

常用模型

Word2Vec：包括CBOW和Skip-gram模型，基于上下文预测词语。

GloVe：基于词共现矩阵，优化全局词频信息。

FastText：考虑词的子词信息，适用于处理形态丰富的语言。

推荐资源

Word2Vec模型解析与Python实现

博客：深度学习NLP-词向量篇（含代码实现）<br>

语言模型

语言模型：估计词序列出现的概率，用于生成和理解文本。

类型

N-gram模型：基于前n-1个词预测第n个词。

RNN/LSTM/GRU：使用循环神经网络处理序列数据。

Transformer：基于自注意力机制，处理长距离依赖。

推荐资源

PyTorch官方教程：NLP与PyTorch

序列到序列模型（Seq2Seq）

Seq2Seq模型：将输入序列映射到输出序列，广泛用于机器翻译、文本摘要等任务。

架构

编码器-解码器结构：编码器处理输入序列，解码器生成输出序列。

注意力机制：提升模型对输入序列不同部分的关注能力。

推荐资源

PyTorch官方教程：序列到序列学习

实践项目

文本分类

机器翻译

阶段五：计算机视觉（CV）

理论学习

推荐资源

CS231n: 卷积神经网络视觉识别（斯坦福大学）

实践项目

人脸识别

目标检测（YOLO）

阶段六：项目实践与竞赛

项目实战

推荐项目

智能客服系统

推荐系统

参与竞赛

推荐平台

Kaggle

天池大赛

阶段七：持续学习与前沿技术

阅读论文

推荐资源

arXiv

Google Scholar

学习前沿技术

推荐资源

The Illustrated Transformer

GAN入门