# 从零开始的 AI 学习 - 0 - 路径规划

入门机器学习：掌握机器学习的基本原理和方法
1. 主题：
  - 监督学习与无监督学习的基本概念
  - 常见算法：线性回归、逻辑回归、决策树、K-means
  - 模型评估：交叉验证、混淆矩阵、ROC 曲线
2. 实践：
  - 使用 Scikit-learn 进行模型训练
  - 在 Kaggle 上完成基础的机器学习比赛，如 Titanic 数据集
深入学习深度学习：掌握神经网络和深度学习技术
1. 主题：
  - 神经网络基础：前馈网络、激活函数、损失函数
  - 优化方法：梯度下降、反向传播。
  - 深度学习框架：TensorFlow 和 PyTorch
2. 实践：
  - 实现简单的神经网络模型
  - 用 Keras 或 PyTorch 构建图像分类、文本分类模型
  - 参与 Kaggle 比赛：MNIST 手写数字识别
专项深入与项目实践：深入特定领域，完成实际项目
1. 领域选择：
  - 计算机视觉：图像处理、目标检测、生成对抗网络（GAN）
  - 自然语言处理（NLP）：词向量、Transformer、GPT、BERT
  - 强化学习：Q-learning、深度 Q 网络（DQN）
2. 项目实践：
  - 图像识别项目（如自动驾驶）
  - 自然语言生成项目（如聊天机器人）
  - 强化学习项目（如游戏 AI）

我有 python 基础，但数学基础不太好，我使用 VSCode 进行开发

AI Machine Learning