0为什么从基础开始？
AI 不是魔法。它底层是数学和统计学。
你不需要成为数学天才，但你需要理解：
- 线性代数 — 向量、矩阵，是所有 ML 模型的"语言"
- 概率论 — 不确定性、贝叶斯，是 AI 做决策的基础
- 微积分 — 梯度、导数，是模型"学习"的机制
好消息是：你只需要理解概念，不需要手推公式。
1学习全景图
AI 基础学习分为三个层次：
数学基础
- 线性代数 → 向量、矩阵
- 概率论 → 分布、贝叶斯
- 微积分 → 导数、梯度
ML 基础
- 监督学习 → 回归、分类
- 无监督学习 → 聚类、降维
进阶内容
- 决策树、SVM、随机森林
- 特征工程、XGBoost
2学习建议
不要一上来就啃数学书！ 正确姿势：
- 先学 ML 概念— 了解"模型是什么"、"怎么训练"
- 遇到不懂的数学— 回头补对应概念
- 用代码验证— 用 scikit-learn 跑一个分类项目
> 推荐项目： 用 scikit-learn 完成鸢尾花分类或房价预测。这是你的第一个 ML 项目。
3前置要求
| 前置 | 需要程度 | 说明 |
|---|---|---|
| Python | 基础 | 会写函数、循环、列表 |
| 高中数学 | 复习 | 函数、方程、基本统计 |
| 线性代数 | 概念 | 不需要手算，理解即可 |
如果编程基础为零，建议先花一周学 Python 基础。
💡 速成路线的学习者可以跳过数学部分，直接学 Prompt → LLM 应用 → Agent。等需要深入时再回来补基础。
4📍 推荐学习路径
本分类共 25 篇文章，以下是我们推荐的系统性学习路径，按阶段分，每阶段内按顺序阅读：
第一阶段：ML 基础入门（8 篇）
- **机器学习基础**：从线性模型到决策树（ml-001）→ 理解 ML 是什么
- 偏差-方差权衡：过拟合与欠拟合（ml-018）→ 理解模型训练的核心矛盾
- 模型评估与选择：交叉验证、AUC-ROC（ml-017）→ 学会评估模型好坏
- 决策树与随机森林实战（ml-002）→ 第一个实用的 ML 算法
- **随机森林**：Bagging 与特征重要性（ml-006）→ 深入理解集成学习
- KNN：K 近邻算法（ml-012）→ 最简单的分类算法
- **朴素贝叶斯**：概率分类器（ml-004）→ 基于概率的分类方法
- K-Means：无监督聚类基础（ml-008）→ 第一个无监督算法
第二阶段：ML 进阶（15 篇，选读核心）
- 核心必读：SVM 支持向量机详解（ml-003）、XGBoost 原理与调参指南（ml-005）、特征工程：数据预处理与特征选择（ml-016）
- 深入理解：集成学习：Bagging, Boosting, Stacking（ml-013）、正则化技术：L1, L2, Dropout（ml-019）
- 专项技能：PCA：主成分分析降维（ml-010）、超参数调优（ml-021）、类别不平衡处理（ml-022）
> ⚡ 速成建议： 如果目标是快速上手 AI 应用，学完第一阶段即可进入深度学习。进阶阶段可以在实践中按需补学。
| 阶段 | 文章数 | 预计时间 | 目标 |
|---|---|---|---|
第一阶段：基础入门 | 8 篇 | 1-2 周 | 理解 ML 核心概念，能跑通第一个项目 |
第二阶段：进阶提升 | 15 篇（选读） | 2-4 周 | 掌握经典算法，能针对问题选择合适模型 |