深度学习的学习路线

digebook

第一阶段：基础预备
数学基础：线性代数（矩阵运算、特征值）、概率论、微积分（偏导数、链式法则）
Python 编程：NumPy、Pandas、Matplotlib 熟练使用
第二阶段：机器学习入门
监督学习（线性回归、决策树、SVM）
无监督学习（K-Means、PCA）
Scikit-learn 实战
第三阶段：深度学习核心
神经网络基础：感知机、激活函数、前向/反向传播
PyTorch 或 TensorFlow 框架掌握
CNN（图像分类、目标检测）
RNN/LSTM/GRU（时序数据、NLP）
Transformer（注意力机制、位置编码）
第四阶段：专项领域
CV 方向：ResNet、YOLO、GAN、ViT
NLP 方向：BERT、GPT、大模型微调（LoRA）
强化学习：DQN、PPO
第五阶段：工程实践
模型部署（ONNX、TensorRT）
MLOps、分布式训练
Kaggle 竞赛 / 实际项目