前言：把“碎片知识”长成“知识树”

刷短视频、看科普、逛论坛……信息很多，却像一地落叶——记不住、用不出。
本文给你一棵“AI 入门知识树”：

• 主干——10 个必须掌握的基础概念（TOP10）

• 分枝——每个概念的学习路线、工具、案例

• 果实——可写进简历的迷你项目 & 延伸链接

读完即可画出属于自己的知识树，后续学到的新知都能“挂枝归位”，不再迷路。

一、知识树总览（先见森林，再见树木

AI 入门知识树
├── 1. AI-ML-DL 三层定义
├── 2. 数据三集：训练/验证/测试
├── 3. 学习范式：监督 | 无监督 | 强化
├── 4. 过拟合-欠拟合 & 正则
├── 5. 损失函数与优化器
├── 6. 特征工程 & Embedding
├── 7. 经典网络：CNN
├── 8. 经典网络：RNN-Transformer
├── 9. 评估指标与实验管理
└── 10. 工具链：Python-PyTorch-HF-Colab

---

二、TOP10 知识点拆解（主干+分枝+果实）

① AI-ML-DL 三层定义

主干	一句话	学习分枝	迷你果实
AI 最广义	让机器表现出人类智能	读 AI 发展史	画出时间轴（1956-2025）
ML 是子集	用数据总结规律	sklearn 官方教程	鸢尾花分类 98%
DL 是子子集	用深层神经网络	PyTorch 60-min	MNIST 手写 99%

易混提醒：深度学习 ≠ 机器学习，深度学习 ⊂ 机器学习 ⊂ AI。

---

② 数据三集：训练 / 验证 / 测试

主干：训练=上课，验证=月考，测试=高考，高考只能考一次。
分枝：

• 比例：7/1/2 或 6/2/2

• 划分：随机、分层、时间切分

• 交叉验证：k-fold、StratifiedKFold

果实：泰坦尼克 3 集拆分，测试 Acc 写进简历。

---

③ 学习范式：监督 | 无监督 | 强化

范式	是否有标签	代表算法	典型数据集
监督	✅	随机森林、CNN	ImageNet、CIFAR
无监督	❌	K-Means、PCA	20 NewsGroups
强化	🎮 奖励	Q-Learning、PPO	Gym、Atari

学习技巧：先监督打基础，再无监督拓宽度，最后强化追热点。

---

④ 过拟合 & 欠拟合 & 正则

现象	表现	解决工具箱
过拟合	训练高/测试低	增数据、Dropout、L2、早停
欠拟合	训练低/测试低	加模型复杂度、减正则、加特征

记忆口诀：
“背题”是过，“不会”是欠；一个太聪明，一个太迟钝。

---

⑤ 损失函数与优化器

主干：损失告诉模型“错多少”，优化器告诉模型“怎么改”。
常用组合：

• 回归：MSE + Adam

• 分类：Cross-Entropy + SGD

• 检测：IoU Loss + SGD

• 生成： adversarial loss + Adam

进阶分枝：学习率调度（Step、Cosine、OneCycle）

---

⑥ 特征工程 & Embedding

传统特征工程：清洗→选择→变换（PCA、TF-IDF）
深度学习时代：Embedding 自动学习（Word2Vec、CNN 卷积核、BERT）
经验法则：

• 数据量小→人工特征为主

• 数据量大→让模型自己学

---

⑦ 经典网络：CNN

核心操作：卷积（特征提取）→池化（降维）→堆叠深度
经典架构：LeNet→AlexNet→VGG→ResNet→EfficientNet
应用场景：图像分类、目标检测、医学影像、工业质检

---

⑧ 经典网络：RNN-Transformer

RNN/LSTM：适合时序，但难并行
Transformer：Self-Attention 并行+长依赖，统治 NLP/CV
代表模型：BERT、GPT、ViT、Swin Transformer
落地场景：机器翻译、智能客服、文档摘要、OCR

---

⑨ 评估指标与实验管理

任务	指标	一图胜千言
分类	Acc、Precision、Recall、F1、AUC	混淆矩阵
回归	MAE、MSE、RMSE、R²	残差图
检测	mAP、IoU	PR 曲线
生成	BLEU、ROUGE、FID	人工肉眼

实验管理：TensorBoard、Weights&Biases、MLflow——记录每次超参，方便回滚。

---

⑩ 工具链：Python-PyTorch-HF-Colab

工具	用途	推荐学习资源
Python + NumPy + Pandas	数据与实验	《利用 Python 进行数据分析》
Scikit-learn	传统 ML	官方 User Guide
PyTorch / TensorFlow	深度学习	PyTorch 官方 60-min
Hugging Face	大模型/数据集	HF Course 中文版
Google Colab	免费 GPU	无需安装，即开即用

小贴士：Colab 每周 30 h 免费 GPU，养成“先跑通再本地”的习惯。

---

三、知识树成长路线（时间轴版）

阶段	时间	目标	关键里程碑
种子期	第 1 周	跑通 TOP10 案例	10 个 Notebook 保存到 GitHub
幼苗期	第 2-4 周	深入 sklearn + TF/PyTorch	复现 Titanic TOP3%
成长期	第 2-3 月	完成 1 个端到端项目	训练小型 BERT 做情感分析
茂盛期	第 4-6 月	参加 Kaggle/天池比赛	拿到银牌或以上
开花期	第 7-12 月	复现论文 + 发博客	GitHub 500+ star 技术repo

---

四、可打印资源

1. 思维导图 PDF：公众号回复【AI树】获取

2. 10 案例合集 Colab：GitHub 一键保存

3. 打卡模板：每完成 1 个知识点在 Notion 勾选，进度 100% 自动生成证书（自娱自乐）

---

五、结语：让知识树继续发芽

人工智能领域每天出新模型、新框架，但主干知识 10 年不变。
先把这棵“入门知识树”种牢，再往上挂新枝——
无论未来是 AIGC、AGI 还是机器人，都能快速找到位置，不再被信息洪流冲走。