2024 年学习 AI 路线图
一、数学二、工具2.1 Python2.2 PyTorch 三、机器学习3.1 从头开始编写3.2 参加比赛3.3 做副业项目3.4 部署模型3.5 补充材料 四、深度学习4.1 fast.ai4.2 多参加一些比赛4.3 论文实现4.4 计算机视觉4.5 强化学习4.6 自然语言处理 五、大型语言模型5.1 观看神经网络：从零到英雄5.2 免费LLM训练营5.3 使用LLM构建5.4 参加黑客马拉松5.5 阅读论文5.6 从零开始编写Transformer5.7 一些不错的博客5.8 观看[奥马尔·贾米尔](https://www.youtube.com/@umarjamilai/videos)5.9 了解如何运行开源模型。5.10 提示工程5.11 微调LLM5.12 RAG 六、如何保持更新七、其他有用的课程/清单
想学习AI吗？但您不知道如何或从哪里开始？为了逃离教程地狱真的学习时，你必须亲自动手，从头开始编写算法，实现论文，并使用人工智能解决问题来完成有趣的副业项目。
一、数学
机器学习在很大程度上依赖于数学的三大支柱：线性代数、微积分、概率和统计学。每个都在使算法有效运行方面发挥着独特的作用。
线性代数：用于数据表示和操作的数学工具包，其中矩阵和向量构成算法解释和处理信息的语言微积分：机器学习优化的引擎，使算法能够通过理解梯度和变化率来学习和改进。概率与统计：不确定性下决策的基础，允许算法预测结果并通过随机性和可变性模型从数据中学习。这是从程序员角度来看的关于 ML 数学的精彩系列：通过权重和偏差进行机器学习的数学（代码）
如果您想要采用代码优先的方法来学习线性代数，请观看由 fast.ai 的创建者制作的计算线性代数（视频、代码）。
在课程旁边阅读《Python 应用机器学习的线性代数简介》 。
如果您想要更传统的东西，请观看伦敦帝国理工学院的讲座-线性代数和多元微积分。
观看 3Blue1Brown 的《线性代数精华》和《微积分精华》。
观看StatQuest 的统计基础知识了解统计数据
补充
书籍：机器学习数学论文：深度学习所需的矩阵微积分二、工具
2.1 Python
初学者从这里开始：实用 Python 编程。
如果您已经熟悉 Python，请执行此高级 Python 掌握
它们都是 Python Cookbook 的作者 David Beazley 的精彩课程。
之后，观看詹姆斯·鲍威尔的一些演讲
阅读Python 设计模式。
补充
书籍：Fluent Python，第二版（代码）播客：真正的 Python和谈论 Python2.2 PyTorch
观看Aladdin Persson的PyTorch 教程
PyTorch 网站是一个很棒的地方。
PyTorch 示例PyTorch 官方教程常见问题页面用一些谜题测试你的知识
srush/Tensor-Puzzles：解决难题。改进你的 PyTorch补充
书籍：深度学习 PyTorch 编程三、机器学习
阅读100 页的机器学习书籍。
3.1 从头开始编写
当你阅读时，从头开始编写算法。
查看下面的存储库
eriklindernoren/从头开始的机器学习杰里米尼克松/甲骨文Trekhleb/自制机器学习如果您想要挑战，请按照本课程从头开始编写 PyTorch。
MiniTorch：机器学习工程 DIY 课程（视频、代码）3.2 参加比赛
在比赛中应用您所学到的知识。
参加bitgrit和Kaggle等平台上的 ML 竞赛；在这篇文章中找到更多内容。查看过去的获胜解决方案并研究它们3.3 做副业项目
阅读Vicki Boykis 的《将机器学习运用到生产中》
她还写了她在构建Viberary（一种书籍语义搜索）时所学到的知识。
获取数据集并构建模型（即使用Earthaccess获取 NASA 地球数据）。
使用Streamlit创建 UI并在 Twitter 上分享。
3.4 部署模型
获取生产中的模型。跟踪您的实验。了解如何监控模型。亲身体验数据和模型漂移。
这里有一些优秀的资源
用机器学习制造DataTalksClub/mlops-zoomcamp：免费 MLOps 课程Chiphuyen/机器学习系统设计明显的 AI — ML 系统设计：300 个案例研究stas00/ml-engineering：机器学习工程在线书籍3.5 补充材料
使用 PyTorch 和 Scikit-Learn 进行机器学习（代码）[1811.12808]机器学习中的模型评估、模型选择和算法选择机器学习入门面试书·MLIB四、深度学习
如果你想要自上而下，请从 fast.ai 开始。
4.1 fast.ai
fast.ai（第 1 部分、第 2 部分）+ W&B 研究小组喜欢 fast.ai？查看全栈深度学习。
如果您想要更全面的传统课程，请查看François Fleuret的UNIGE 14x050 — 深度学习。
如果您在某些时候需要接触理论，这些都是很棒的书。
深入研究深度学习（包含 PyTorch、NumPy/MXNet、JAX 和 TensorFlow 中的代码示例）深度学习作者：Ian Goodfellow、Yoshua Bengio 和 Aaron Courville神经网络和深度学习了解深度学习（带有动手笔记本）在手机上阅读《深度学习小书》，而不是滚动 Twitter。
在您的神经网络收敛时阅读这些内容。
训练神经网络的秘诀深度神经网络：33 年前和 33 年后4.2 多参加一些比赛
PlantTraits2024 — FGVC11 | Kaggle（计算机视觉）4.3 论文实现
查看labml.ai 带注释的 PyTorch 论文实现
Papers with Code 是一个很好的资源；这是BERT在他们的网站上的解释。
以下是深度学习专业领域的一些资源
4.4 计算机视觉
很多人推荐CS231n：计算机视觉深度学习。这很有挑战性，但如果你能克服它，那就值得了。
4.5 强化学习
对于强化学习来说，这两个都很棒：
OpenAI在深度强化学习中的旋转? 深度强化学习课程——抱脸4.6 自然语言处理
斯坦福大学的另一门精彩课程，CS 224N |深度学习自然语言处理
学习拥抱脸：拥抱脸NLP课程
看看这个Super Duper NLP 存储库
好文章和细分
BERT 研究 — Ep. 1 — 关键概念和来源 · 克里斯·麦考密克插图 Word2vec — Jay Alammar插图 BERT、ELMo 等。 （NLP 如何破解迁移学习了解 LSTM 网络 — colah 的博客从头开始的 PyTorch RNN — Jake Tae补充
使用 Transformers 进行自然语言处理图书五、大型语言模型
首先，观看Andrej 的[ 1 小时演讲] 大型语言模型简介。
然后是五个公式中的大型语言模型，作者：Alexander Rush — 康奈尔科技
5.1 观看神经网络：从零到英雄
它从从头开始解释和编码反向传播开始，到从头开始编写 GPT 结束。
神经网络：从零到英雄作者：Andrej Karpathy
他刚刚发布了一个新视频 →让我们构建 GPT Tokenizer
您还可以在 60 Lines of NumPy | 中查看GPT杰·莫迪，当你在做的时候。
5.2 免费LLM训练营
由 Full Stack Deep Learning 免费发布的付费LLM 训练 营。
它教授即时工程、LLMOps、LLM 的用户体验，以及如何在一小时内启动 LLM 应用程序。
现在你已经渴望在这个新手训练营之后进行构建了，
5.3 使用LLM构建
想要使用LLM构建应用程序吗？
观看Andrew Ng 的《[使用大型语言模型进行应用程序开发》
](https://nips.cc/virtual/2023/tutorial/73948)
阅读Huyen Chip 的《Building LLM applications for production》
以及构建基于法学硕士的系统和产品的模式，作者：Eugene Yan
请参阅OpenAI Cookbook了解食谱。
使用Vercel AI 模板开始使用。
5.4 参加黑客马拉松
lablab.ai每周都会举办新的人工智能黑客马拉松。如果你想组队请告诉我！
如果您想更深入地了解理论并了解一切是如何运作的：
5.5 阅读论文
Sebastian Raschka撰写的一篇关于理解大型语言模型的精彩文章，其中列出了一些您应该阅读的论文。
他最近还发表了另一篇文章，其中包含您应该在 2024 年 1 月阅读的论文，其中涉及米斯特拉尔模型。
关注他的子堆栈Ahead of AI。
5.6 从零开始编写Transformer
阅读Transformer 系列 2.0 版 | Lil’Log的概述。
选择最适合您的格式并从头开始实施。
论文
您所需要的就是关注图解变压器哈佛大学的带注释的变压器像变压器一样思考博客
从头开始创建 Transformer — 第一部分：注意力机制（第 2 部分）（代码）从头开始理解和编码大型语言模型的自注意力机制作者：Sebastian Raschka 博士从零开始的变形金刚视频
在 PyTorch 上从头开始编写 Transformer 代码，并提供完整的解释、训练和推理NLP：从头开始实施 BERT 和 Transformers您现在可以从头开始编写变压器代码。但还有更多。
观看这些斯坦福 CS25 — Transformers United视频。
5.7 一些不错的博客
梯度下降到疯狂——从头开始建立法学硕士变形金刚插图 — Jay Alammar关于注意力和变压器的一些直觉 作者：Eugene Yan加速GPT——KV缓存|成为无与伦比的超越自我注意力：小型语言模型如何预测下一个标记Llama 从头开始（或者如何不哭地实现一篇论文）|布莱恩·北野改进 LoRA：从头开始实现权重分解低秩适应 (DoRA)5.8 观看奥马尔·贾米尔
他有精彩的深入视频解释论文。他还向您展示了代码。
LoRA：大型语言模型的低阶适应 - 直观解释 + 从头开始的 PyTorch 代码Mistral / Mixtral 解释：滑动窗口注意力、专家稀疏混合、滚动缓冲区Attention is all you need (Transformer) — 模型解释（包括数学）、推理和训练LLaMA 解释：KV-Cache、旋转位置嵌入、RMS Norm、分组查询注意力、SwiGLU检索增强生成 (RAG) 解释：嵌入、句子 BERT、向量数据库 (HNSW)还有一些与LLM相关的链接并不详尽。请参阅LLM课程大纲，了解更全面的LLM课程大纲。
5.9 了解如何运行开源模型。
使用ollama：在本地启动并运行 Llama 2、Mistral 和其他大型语言模型
他们最近发布了Python 和 JavaScript 库
5.10 提示工程
阅读提示工程 |莉尔洛格
ChatGPT 为开发人员提供提示工程，作者：Ise Fulford (OpenAI) 和 Andrew Ng
DeepLearning.ai 还提供其他可以免费报名的短期课程。
5.11 微调LLM
阅读Hugging Face 微调指南。
一本好的指南：微调 — GenAI 指南
看看蝾螈。
这是一篇好文章：使用直接偏好优化微调 Mistral-7b 模型 |作者：马克西姆·拉博纳
5.12 RAG
Anyscale 的一篇精彩文章：构建基于 RAG 的 LLM 应用程序用于生产
Aman Chadha对检索增强生成的全面概述
六、如何保持更新
时事通讯 + 播客 + Twitter 的组合
如需论文，您可以关注AK (@_akhaliq)
对于播客，我发现最好的是Swyx 和 Alessio 的Latent Space
加入他们的Discord。
他们还有这份时事通讯Smol Talk，总结了所有重大的人工智能分歧。
我喜欢的其他一些时事通讯是：
批次|深度学习.AI |人工智能新闻与见解深度学习周刊互连 |内森·兰伯特人工智能花絮 |萨哈·莫尔七、其他有用的课程/清单
openai/syllabus.md人工智能佳能|安德森霍洛维茨AI 学习管理 — LLM Utils人工智能多元宇宙的门槛|开放深度学习louisfb01/start-llms：2023 年开始和提高 LLM 技能的完整指南来编写和组织这篇文章花了足够的时间，但它的回报却在递减，是时候学习和构建了。希望这对您的 AI 之旅有所帮助！
[1] https://medium.com/bitgrit-data-science-publication/a-roadmap-to-learn-ai-in-2024-cc30c6aa6e16#3352