一、数学基础
| 模块 | 具体内容 | 应用场景示例 | 学习资源推荐 |
|---|---|---|---|
| 线性代数 | - 矩阵乘法、转置、逆矩阵 - 特征值/特征向量（PCA降维） - 张量（Tensor）基础 |
PyTorch 张量操作、模型参数存储 | 《线性代数应该这样学》、3Blue1Brown 视频 |
| 微积分 | - 导数与偏导数 - 梯度与链式法则（反向传播） - 极值问题（损失函数优化） |
神经网络梯度计算、优化器工作原理 | 吴恩达《机器学习》微积分章节 |
| 概率统计 | - 概率分布（高斯、伯努利） - 均值/方差/协方差 - 假设检验（p值、置信区间） |
模型评估、数据分布分析 | 《概率导论》、StatQuest 视频 |
二、编程基础
| 模块 | 具体内容 | 应用场景示例 | 学习资源推荐 |
|---|---|---|---|
| Python | - 函数与类（OOP） - 文件读写（CSV、JSON） - 异常处理（try/except） |
数据加载、模型封装 | 《Python编程：从入门到实践》 |
| 数据处理 | - NumPy 数组操作（广播机制） - Pandas 数据清洗（缺失值、去重） |
数据预处理、特征工程 | 《利用Python进行数据分析》 |
| 可视化 | - Matplotlib 绘图（折线图、散点图） - Seaborn 高级图表（热力图、分布图） |
数据分布分析、模型结果可视化 | Matplotlib 官方文档、Seaborn Gallery |
三、机器学习基础
| 模块 | 具体内容 | 应用场景示例 | 学习资源推荐 |
|---|---|---|---|
| 监督学习 | - 线性回归（MSE损失） - 逻辑回归（交叉熵损失） - 决策树与随机森林 |
基础分类/回归任务对比深度学习优劣 | 吴恩达《机器学习》Coursera课程 |
| 模型评估 | - 训练集/验证集/测试集划分 - 交叉验证（K-Fold） - 混淆矩阵与分类报告 |
模型泛化能力评估 | Scikit-learn 官方文档 |
| 特征工程 | - 标准化/归一化（StandardScaler） - 特征编码（One-Hot、LabelEncoder） |
数据预处理提升模型效果 | 《特征工程入门与实践》 |
四、深度学习基础
| 模块 | 具体内容 | 应用场景示例 | 学习资源推荐 |
|---|---|---|---|
| PyTorch | - 张量操作（GPU加速） - 自动求导（Autograd） - 模型定义（nn.Module） |
自定义神经网络层、模型训练 | PyTorch 官方教程（60分钟入门） |
| 神经网络 | - 多层感知机（MLP） - 激活函数（ReLU、Softmax） - 损失函数（交叉熵、MSE） |
图像分类、回归任务 | 《深度学习入门：基于Python的理论与实现》 |
| CNN | - 卷积层/池化层原理 - 经典模型（ResNet、VGG） - 迁移学习（预训练模型微调） |
图像特征提取、分类任务 | CS231n（斯坦福计算机视觉课程） |
五、计算机视觉核心
| 模块 | 具体内容 | 应用场景示例 | 学习资源推荐 |
|---|---|---|---|
| OpenCV | - 图像读写与格式转换 - 图像增强（旋转、裁剪） - 特征检测（SIFT、ORB） |
数据预处理、传统图像处理 | OpenCV 官方文档、《学习OpenCV》 |
| 物体检测 | - 两阶段算法（Faster R-CNN） - 单阶段算法（YOLO、SSD） - 评价指标（mAP） |
目标检测、工业质检 | MMDetection 框架文档 |
| 图像分割 | - 语义分割（U-Net） - 实例分割（Mask R-CNN） - 评估指标（mIoU、Dice） |
医学图像分割、自动驾驶场景分割 | 《图像分割：算法与实战》 |
六、工程化与工具
| 模块 | 具体内容 | 应用场景示例 | 学习资源推荐 |
|---|---|---|---|
| 版本控制 | - Git 基本命令（commit/push/branch） - GitHub协作（PR、Issue） |
代码管理、团队协作 | 《Pro Git》中文版 |
| 模型部署 | - ONNX 格式导出 - TensorRT 加速推理 - Flask/Django 部署API |
工业级模型部署、端侧推理 | NVIDIA 开发者博客 |
| 环境管理 | - Conda 虚拟环境 - Docker 容器化（镜像构建） - Linux 基础命令 |
环境隔离、服务器部署 | 《Docker技术入门与实战》 |
七、学习路径与时间规划
阶段 1：基础巩固（4-6周）
目标：掌握 Python、NumPy、线性代数、微积分基础。
验证项目：用 NumPy 实现线性回归（不依赖框架）。
每日投入：2小时理论学习 + 1小时编码练习。
阶段 2：机器学习入门（3-4周）
目标：理解监督学习、Scikit-learn 基础、模型评估。
验证项目：用 Scikit-learn 完成鸢尾花分类任务。
每日投入：1小时理论 + 2小时代码实战。
阶段 3：深度学习与PyTorch（6-8周）
目标：熟练使用 PyTorch 构建 CNN 模型。
验证项目：CIFAR-10 图像分类（准确率 > 85%）。
每日投入：2小时框架学习 + 2小时调试优化。
阶段 4：计算机视觉实战（8-12周）
目标：掌握 OpenCV、物体检测（YOLO）、图像分割（U-Net）。
验证项目：自定义数据集训练 YOLOv5 模型（mAP > 0.7）。
每日投入：3小时项目开发 + 1小时论文阅读。
八、关键学习原则
代码优先：每个知识点配合代码实现（如手推梯度后立刻用 PyTorch 验证）。
项目驱动：每阶段至少完成一个完整项目（GitHub 留存代码和文档）。
刻意练习：针对薄弱环节重复训练（如反向传播推导、多尺度目标检测调参）。
九、推荐学习资源
书籍：
《深度学习入门：基于Python的理论与实现》（鱼书）
《动手学深度学习》（李沐）
课程：
Coursera《Deep Learning Specialization》（吴恩达）
斯坦福CS231n（课程链接）
实战平台：
Kaggle（参加图像分类/检测比赛）
天池/AI Studio（国内数据集丰富）