AI 技术派（有编程基础 / 想走 AI 方向）
适合：计算机 / 数理相关专业、打算考研 / 就业做 AI、对编程算法感兴趣的学生。目标：掌握 Python、数学、机器学习、深度学习，能跑模型、做小项目。
AI 技术派 系统学习计划（零基础→入门，总周期 3–6 个月）
前置要求：有基本电脑操作能力；零基础先补 Python，不直接啃算法。整体节奏：Python → 数学基础 → 传统机器学习 → 深度学习 → 实战项目
阶段 1：环境搭建 + Python 入门（第 1 个月，每天 1–1.5h）
- 环境（免费）
- 安装：Anaconda + Jupyter Notebook（主流 AI 开发环境）
- 云端备选：Google Colab（免费 GPU，无需本地配置）
- Python 必学内容（AI 专用，跳过无用知识点）基础语法 → 循环 / 条件 / 函数 → 面向对象 → 三大核心库
- NumPy：数值计算（矩阵、数组，AI 底层）
- Pandas：数据处理（表格、数据集）
- Matplotlib：数据可视化（画图、图表分析）
- 免费学习资源
- 课程：B 站《Python 入门到人工智能》、菜鸟教程
- 练习：LeetCode 简单题、Python100 例
阶段目标：能独立读写代码、处理简单表格数据、绘制图表。
阶段 2：AI 必备数学基础（第 1.5–2.5 个月，穿插学习）
不用深挖高数难题，只学 AI 高频考点：
- 线性代数：向量、矩阵、矩阵运算
- 微积分：导数、梯度基础（看懂公式即可，不用狂刷题）
- 概率统计：概率分布、贝叶斯、均值 / 方差
资源：B 站 “人工智能数学基础” 精简课、大学公共数学课件。
阶段 3：传统机器学习（第 2.5–4 个月）
- 核心概念（先理解，再动手）人工智能 / 机器学习 / 深度学习关系、监督学习、无监督学习、数据集、训练 / 测试集。
- 入门算法（由浅入深）线性回归、逻辑回归、决策树、K-Means 聚类
- 工具框架：Scikit-learn（Python 机器学习首选，上手简单）
- 实操：用公开数据集完成房价预测、学生成绩分析等小案例。
阶段 4：深度学习 + 大模型入门（第 4–6 个月）
- 基础模型：CNN（图像）、Transformer（文本 / 大模型）
- 框架二选一（新手推荐）
- PyTorch：上手友好、社区活跃，学生主流
- 免费算力：Google Colab、国内 AI 开放平台（免费 GPU 训练模型）
- 轻量实战：图片分类、简单文本分类、调用开源大模型 API
阶段 5：项目复盘 + 作品集（长期）
把课堂案例整理成项目文档 / GitHub 作品，适合竞赛、保研、求职。
