系统学习AI清单AI学习从入门到精通
这可能是目前整理最清楚的AI学习清单，从基础算法到大模型，从训练细节到项目管理，一应俱全。既能帮新手扫盲，也能为老手查漏补缺。清单地址：www.amanchadha.com
页面内容主要分六大类：
一、算法架构篇
- 涵盖线性回归、逻辑回归、KNN、聚类、SVM、朴素贝叶斯等传统算法；
- 深度学习部分包括CNN、Attention、Transformer、图神经网络（GNN）、状态空间模型（SSM）、可分离卷积、ResNet跳连结构等；
- 前沿方向列出了Mixture-of-Experts、Diffusion Models、FlashAttention等，适合大模型研究者深入参考。
二、训练技巧篇
- 前期准备包括权重初始化（Xavier）、数据标准化与归一化、Padding技巧、数据拆分等；
- 训练中涵盖Loss函数选择、激活函数类型、梯度下降与反向传播、正则化、BatchNorm、Dropout、Double Descent等；
- 还总结了超参数调节、梯度累积、模型断点续训（Checkpointing）、分布式训练和高效微调等工程要点。
三、NLP专场
- 覆盖Tokenization、Embedding、NER、文本蕴含、机器翻译、Code Mixing等基础流程；
- LLM专题包含Token采样方法、Prompt设计、指令微调（Reinforcement Fine-Tuning）、偏好对齐（Preference Optimization）、Context Length扩展、幻觉检测、文档智能等；
- 特别补充了RAG（检索增强生成）与LLMOps内容，助力实战落地。
四、多模态篇
- CV部分有ViT、感受野、残差结构及CNN在文本分类中的应用；
- 语音部分涵盖基础预处理和任务拆解，适合多模态开发入门。
五、细分模型篇
- 快速了解BERT、GPT、CLIP、LLaMA、Meena、Gemini、DeepSeek、Toolformer等模型，并附架构类型，方便横向对比；
- 还整理了Benchmarks指标，便于模型评估。
六、工程落地篇
- MLOps细分到数据漂移、测试方法、常用工具；隐私安全包括差分隐私、联邦学习、PII处理等；
- 项目管理部分提供OKR、RICE模型、甘特图等方法，助力科研与企业协作。
无论你是做科研、打比赛、写代码、带团队，还是刚入行纯扫盲，这页都值得常驻浏览器书签栏。（来源Distilled AI）
