前言：当ChatGPT自动补全代码、MidJourney生成产品原型、AI助手优化工作流程时，人工智能早已走出实验室，渗透到程序员的IDE、职场人的办公场景，甚至普通人的日常生活中。但很多零基础朋友，无论是刚入行的开发小白，还是想借AI提效的职场人，都被“需要高深数学”“必须精通代码”的标签吓住，总觉得AI门槛高不可攀。

作为深耕AI领域多年的开发者，我可以负责任地说：如今的AI入门难度，早已低到“会用工具就能入门”。找对方向、用对方法，普通人3-6个月就能完成从0到1的突破，甚至比专业开发者更快尝到AI的甜头。

一、入门先破局：3个认知误区+1个核心原则（新手必看）

很多人学AI半途而废，不是因为不够努力，而是从一开始就踩进了认知陷阱，要么盲目跟风学复杂算法，要么被“数学门槛”吓退。入门前先避坑、定原则，比盲目学习更重要。

1.1 避开3个致命入门误区

误区1：“不懂代码/算法，就玩不转AI”——大错特错。AI生态的核心趋势是“工具化”，早已实现分层适配。小白可直接用文心一言、讯飞星火等大模型完成基础任务，全程零代码；程序员即便只懂基础Python，也能通过LangChain、FastAPI快速搭建简单应用，不用懂Transformer原理，会调用SDK即可。

误区2：“AI是万能的，能替我干活/写代码”——别被捧杀。AI的核心是“基于历史数据的模式匹配”，无法理解复杂业务逻辑。比如用AI写代码，它能补全语法、优化格式，但会遗漏电商库存扣减的并发锁逻辑；用AI做需求分析，它能整理反馈，但提不出差异化核心思路。正确姿势是：让AI做重复性劳动，你聚焦创造性工作，把它当成“助手”而非“替身”。

误区3：“学AI要花大价钱”——免费资源足够入门。无论是B站的免费教程、Coursera的免费旁听课程，还是LangChain、Stable Diffusion WebUI等开源工具，甚至GitHub Copilot的学生免费版，足以支撑从0到1的学习，无需花费重金购买课程或工具。

1.2 明确自身定位（精准发力，不盲目跟风）

不同人群的学习重点完全不同，找准定位才能避免浪费时间，高效入门。以下是3类核心人群的定位的参考，你可以对号入座：

定位类型	核心需求	学习重点
小白/职场人（非技术）	用AI提效（写报告、做PPT、处理数据）	大模型使用、提示词技巧、AI工具实操，无需深入代码和算法
程序员/技术入门者	开发AI应用、落地项目、进阶就业	Python编程、算法基础、框架实操、项目实战
科研/深度学习爱好者	钻研模型原理、优化算法、探索前沿技术	数学基础、深度学习原理、论文研读、模型调优

1.3 核心学习原则：实战驱动、循序渐进、拒绝空想

AI学习的核心是“用”，而非“死记硬背理论”。全程围绕“能落地、能上手”展开，让每一步学习都有明确产出——比如学完Python基础，就用Pandas处理一份数据；学完线性回归，就实现一个简单的房价预测；学完大模型使用，就用它生成一份技术文档。只有动手实践，才能真正理解知识点，避免“一看就会、一用就废”。

二、必备基础：AI入门的“3大基石”（重中之重）

无论你是哪种定位，入门AI都需要掌握3大核心基础：工具准备、Python编程、极简数学。这部分是AI入门的“入场券”，不用追求“精通”，够用即可，重点是建立知识框架，为后续实战铺路。

2.1 工具准备：零成本搭建AI学习环境（新手优先）

无需复杂配置，新手优先用在线工具，降低入门门槛，后期再搭建本地环境。以下是必备工具清单，全部免费，复制链接就能使用：

1. 在线编程环境（无需配置，直接运行Python代码）

- Colab（谷歌免费）：https://colab.research.google.com/ ，无需安装任何软件，打开浏览器就能写代码、运行模型，支持GPU加速，新手首选。

- Kaggle（免费数据集+在线编程）：https://www.kaggle.com/ ，不仅有免费的编程环境，还有海量公开数据集（如鸢尾花数据集、房价数据集），适合实战练习。

2. AI工具（实操大模型，零代码入门）

- 通用大模型：豆包（字节跳动，免费好用）、讯飞星火（国产，功能全面）、ChatGPT（免费版，适合英文场景）。

- 专项AI工具：Canva AI（设计类，快速生成图片、PPT）、OpenCV（计算机视觉工具库，处理图像）、LangChain（大模型应用开发工具）。

3. 学习与开发工具

- 代码编辑：VS Code（免费，轻量好用，配合GitHub Copilot插件可实现AI代码补全）。

- 笔记工具：飞书妙计（AI转录笔记）、Notion（整理学习笔记，支持AI辅助编辑）。

4. 资源平台（免费获取教程、项目、数据集）

- CSDN（技术笔记、问题解答，新手遇到问题优先搜这里）；

- GitHub（开源项目、代码示例，搜“AI入门”就能找到大量新手友好的项目）；

- B站（免费教程，推荐“李沐动手学深度学习”“3Blue1Brown”）；

- Coursera（权威课程，吴恩达《机器学习》免费旁听）。

2.2 Python编程：AI领域的“通用语言”（必学）

AI领域的所有算法、模型、项目，几乎都依赖Python实现。无需掌握所有Python语法，聚焦核心知识点即可，推荐优先学习Python 3.x版本（目前最主流、最稳定）。

核心学习重点（按优先级排序，新手必学）：

1. 基础语法（1周掌握）：变量、数据类型（字符串、列表、字典、元组）、条件判断（if-else）、循环（for/while）、函数、类与对象。这部分是编程的基础，不用死记硬背，多写代码练习即可。

示例代码（新手可直接复制运行）：

# 变量与数据类型 name = "AI新手" # 字符串 age = 20 # 整数 score = 95.5 # 浮点数 is_student = True # 布尔值 # 条件判断与循环 if score > 90: print(f"{name}的成绩优秀！") else: print(f"{name}的成绩良好，继续努力！") # 函数定义与调用 def calculate_sum(a, b): return a + b result = calculate_sum(3, 5) print(f"3+5的结果是：{result}")

2. 核心库（2周掌握，AI实操必备）：NumPy（数值计算、矩阵操作，AI数据处理的基础）、Pandas（数据清洗、分析，处理数据集必备）、Matplotlib（数据可视化，直观呈现实验结果）。这三个库是AI入门的“三剑客”，必须掌握基础用法。

示例代码（Pandas处理数据+Matplotlib可视化，新手可直接复制运行）：

# 导入核心库 import numpy as np import pandas as pd import matplotlib.pyplot as plt # 模拟学生成绩数据 data = { "姓名": ["张三", "李四", "王五", "赵六"], "语文": [85, 92, 78, 90], "数学": [90, 88, 95, 82], "英语": [88, 90, 85, 93] } # 用Pandas创建DataFrame，处理数据 df = pd.DataFrame(data) # 计算平均分 df["平均分"] = (df["语文"] + df["数学"] + df["英语"]) / 3 # 查看数据基本信息 print("学生成绩数据：") print(df) # 用Matplotlib绘制平均分柱状图 plt.rcParams['font.sans-serif'] = ['SimHei'] # 解决中文显示问题 plt.bar(df["姓名"], df["平均分"], color="skyblue") plt.title("学生平均分对比") plt.xlabel("姓名") plt.ylabel("平均分") plt.show()

3. 实战练习：用Pandas分析鸢尾花数据集，用Matplotlib绘制折线图、柱状图，完成简单的数据统计任务。推荐新手每天写1-2段代码，坚持1周，就能熟练掌握基础用法。

推荐学习资源：菜鸟教程（Python基础，适合快速入门）、B站“李沐动手学深度学习”配套Python讲解、CSDN Python专栏（实操笔记，遇到问题可搜索）。

2.3 极简数学：不用啃高数，够用就好（新手别怕）

很多人被数学吓退，其实AI入门只需掌握3门核心数学的基础概念，不用死磕公式推导，重点是理解“这个知识点能解决什么问题”，以及“在AI中怎么用”。

1. 线性代数（核心中的核心）：重点掌握向量、矩阵运算（转置、逆矩阵），理解数据在模型中的表示方式——比如一张图片，在AI中会被转换成矩阵形式，通过矩阵运算提取特征；PCA降维、图像处理等任务，都依赖线性代数的知识。不用手动推导矩阵运算公式，知道NumPy能实现即可。

2. 概率论与统计：重点掌握概率、期望、高斯分布、贝叶斯定理。看懂模型准确率、损失函数的含义，理解朴素贝叶斯等算法的核心逻辑——比如用朴素贝叶斯做垃圾邮件分类，就是基于概率计算的原理。

3. 微积分：重点掌握导数、梯度下降。知道模型如何通过梯度调整参数、优化效果——比如训练一个房价预测模型，梯度下降会不断调整模型参数，让预测结果越来越接近真实值。不用手动推导复杂公式，理解梯度下降的“迭代优化”思想即可。

推荐学习资源：吴恩达《机器学习》课程中的数学讲解（通俗易懂，不堆公式）、B站“3Blue1Brown”线性代数可视化教程（用动画讲解，容易理解）。

三、核心概念：搞懂AI、机器学习、深度学习的关系（避免混淆）

新手最容易混淆的就是“AI、机器学习、深度学习”这三个概念，很多人以为它们是独立的技术，其实它们是“包含与被包含”的关系。用一句话就能说清：AI是总目标，机器学习是实现AI的核心方法，深度学习是机器学习的重要分支。

我们用一个简单的类比，帮你彻底理解：

AI（人工智能）：相当于“让机器拥有智能”的总蓝图，目标是让机器模拟人类的感知、思考、决策能力，覆盖所有让机器“变聪明”的技术——比如早期的规则式导航、现在的大模型对话、自动驾驶，都属于AI的范畴。

机器学习（ML）：是实现AI的“核心工具”，核心逻辑是「让机器通过数据自主学习规律，无需手动编写固定规则」。比如让机器通过学习10万张猫和狗的图片，自动学会区分猫和狗，而不是我们手动编写“猫有尖耳朵、狗有短鼻子”这种繁琐规则。常见的机器学习算法有：线性回归、决策树、随机森林、SVM等。

深度学习（DL）：是机器学习的“进阶版本”，核心是用「多层神经网络」模拟人类大脑的神经元连接，能处理更复杂的数据（比如图像、语音、文本），也是当前大模型、自动驾驶等热门技术的核心基础。我们现在常用的ChatGPT、文心一言、AlphaGo，本质上都是「深度学习+大数据训练」的产物。

补充区分：机器学习需要手动设计特征（比如区分猫和狗，需要手动提取“耳朵形状”“鼻子长度”等特征），而深度学习能自动提取特征（比如输入一张猫的图片，模型会自动提取“尖耳朵”“毛茸茸”等特征）；大模型则是深度学习的高阶应用，通过海量数据训练，实现多场景的通用智能。

从发展历程来看，AI的发展就是一部“从理论到实践”的迭代史：1956年达特茅斯会议确立AI学科地位，2012年AlexNet引爆深度学习浪潮，2017年Transformer架构奠定大模型基础，2022年ChatGPT问世，让AI走进大众视野。

四、AI核心运作逻辑：3个要素+3大学习范式（必懂）

不管是简单的图片分类，还是复杂的大模型对话，AI的核心运作逻辑都离不开「数据、模型、算力」这3个要素，再结合3种主流学习范式，就能完成“学习-预测”的闭环。这部分是理解AI工作原理的关键，新手必须掌握。

4.1 三大核心要素（缺一不可）

1. 数据：AI的“食物”，没有数据，模型就无法学习。数据质量直接决定模型效果——比如训练识别猫的模型，用模糊、标注错误的图片，训练出的模型准确率肯定很低。常见的数据类型有：图像（jpg/png）、文本（文章、聊天记录）、语音（音频文件）、数值（房价、销量数据）。

数据标注是监督学习的基石，就是给原始数据添加结构化标签，比如给图片标注“猫”或“狗”，给文本标注“正面”或“负面”，给数值标注“正常”或“异常”。标注后的数据集，才能用于模型训练。

2. 模型：AI的“大脑”，是处理数据、学习规律的核心算法。简单说，模型就是一个“数学函数”，通过学习数据中的规律，调整函数参数，最终实现“输入数据→输出结果”的映射。比如：输入一张图片，模型输出“这是猫（概率98%）”；输入一段文本，模型输出“正面评价”；输入房屋面积，模型输出“预测房价”。

常见的基础模型有：线性回归（预测数值）、决策树（分类）、CNN（图像处理）、Transformer（文本/多模态处理）。新手入门，重点掌握线性回归、决策树即可，后续再逐步学习复杂模型。

3. 算力：AI的“动力”，负责支撑模型的训练和推理。简单模型（比如线性回归）用普通电脑就能运行，但复杂模型（比如GPT系列、自动驾驶模型）需要海量的计算资源——比如GPU集群，因为训练时要处理上亿条数据、调整上亿个参数，普通电脑根本扛不住。这也是为什么大模型大多由科技巨头研发，核心原因之一就是算力成本极高。

新手入门，无需担心算力问题：用Colab、Kaggle的免费GPU，就能运行大部分入门级模型（如线性回归、简单CNN）。

4.2 三大学习范式（AI的“学习方式”）

模型的“学习方式”不同，适用的场景也不同，新手重点掌握前两种即可，第三种在前沿领域应用较多。用通俗的语言，搭配应用场景，帮你快速理解：

1. 监督学习（最常用，占企业AI项目的80%以上）：相当于“有老师教”，数据带有明确的“标签”（标准答案），模型学习“输入→标签”的对应关系。比如：用标注好“垃圾邮件/正常邮件”的文本数据训练模型，后续输入新邮件，模型就能判断是否为垃圾邮件；用标注好“猫/狗”的图片训练模型，就能实现猫狗分类；用标注好“房屋面积→房价”的数据训练模型，就能实现房价预测。

常见算法：线性回归（回归任务，预测数值）、逻辑回归（分类任务）、决策树、随机森林、SVM。新手入门，优先学习线性回归和逻辑回归，这是最基础、最常用的算法。

2. 无监督学习（无老师教）：数据没有标签，模型自主从数据中寻找规律、分组。比如：给模型输入大量用户的消费数据，模型自动将消费习惯相似的用户分成几组，用于精准营销；给模型输入大量无标注的图片，模型自动区分出“动物”“植物”“建筑”；给模型输入大量文本，模型自动提取核心主题。

常见算法：K-Means（聚类，分组）、PCA（降维，简化数据）、DBSCAN（聚类）。核心价值是数据探索，适合没有明确标签的场景。

3. 强化学习（试错中学习）：相当于“靠奖励/惩罚学习”，模型通过与环境交互，完成动作后获得奖励或惩罚，不断调整策略，最终实现“收益最大化”。比如：AlphaGo学习围棋，赢棋获得奖励，输棋获得惩罚，不断优化下棋策略；自动驾驶模型通过模拟行驶，避开障碍物获得奖励，碰撞获得惩罚，逐步掌握行驶技巧；机器人通过不断尝试，学会走路、抓取物体。

常见应用场景：游戏AI、机器人控制、大模型对齐（RLHF）等。新手入门，了解基本概念即可，无需深入学习算法细节。

五、新手实战：3个入门级AI小项目（附完整代码，可直接运行）

学习AI的核心是“实战”，看完前面的知识点，一定要动手实践，才能真正掌握。以下3个小项目，从简单到复杂，覆盖监督学习、数据可视化、大模型应用，新手可直接复制代码运行，逐步建立学习信心。

5.1 项目1：线性回归预测房价（监督学习，入门首选）

项目目标：根据房屋面积，预测房屋价格，掌握线性回归的基本用法，理解“输入→模型→输出”的闭环。

工具：Python、NumPy、Pandas、Scikit-learn（机器学习库，简化模型训练流程）。

完整代码（可直接复制到Colab运行）：

# 导入所需库 import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, r2_score # 1. 准备数据（模拟房屋面积与房价数据） # 面积（平方米）：50-150，房价（万元）：100-300，呈线性关系 data = { "面积": np.random.randint(50, 151, size=100), # 100条数据 "房价": 2 * np.random.randint(50, 151, size=100) + np.random.randn(100) * 5 # 房价=2*面积+随机噪声 } df = pd.DataFrame(data) # 2. 划分训练集（80%，用于训练模型）和测试集（20%，用于评估模型） X = df[["面积"]] # 输入特征（必须是二维数组） y = df["房价"] # 输出标签（房价） X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 3. 训练线性回归模型 model = LinearRegression() # 初始化模型 model.fit(X_train, y_train) # 用训练集训练模型 # 4. 模型预测（用测试集验证模型效果） y_pred = model.predict(X_test) # 5. 评估模型效果 mse = mean_squared_error(y_test, y_pred) # 均方误差（越小越好） r2 = r2_score(y_test, y_pred) # 决定系数（越接近1越好，说明模型拟合效果越好） print(f"模型系数（斜率）：{model.coef_[0]:.2f}") # 房价=系数*面积+截距 print(f"模型截距：{model.intercept_:.2f}") print(f"均方误差（MSE）：{mse:.2f}") print(f"决定系数（R²）：{r2:.2f}") # 6. 可视化：训练数据+测试数据+预测线 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.scatter(X_train, y_train, color="blue", label="训练数据") plt.scatter(X_test, y_test, color="red", label="测试数据") plt.plot(X, model.predict(X), color="green", label="预测线") plt.xlabel("房屋面积（平方米）") plt.ylabel("房价（万元）") plt.title("线性回归预测房价") plt.legend() plt.show() # 7. 实际预测：输入新的房屋面积，预测房价 new_area = [[80]] # 注意：输入必须是二维数组 new_price = model.predict(new_area) print(f"面积为80平方米的房屋，预测房价为：{new_price[0]:.2f}万元")

代码说明：这个项目模拟了房屋面积与房价的线性关系，通过Scikit-learn库快速实现线性回归模型的训练、预测和评估。运行代码后，你可以看到模型的预测效果，还能输入新的房屋面积，得到预测房价。新手可以尝试修改数据量、调整测试集比例，观察模型效果的变化。

5.2 项目2：鸢尾花分类（监督学习，多分类任务）

项目目标：根据鸢尾花的花萼长度、花萼宽度、花瓣长度、花瓣宽度，区分鸢尾花的3个品种，掌握决策树分类算法的用法。

工具：Python、Scikit-learn（自带鸢尾花数据集，无需手动准备数据）。

完整代码（可直接复制运行）：

# 导入所需库 from sklearn.datasets import load_iris from sklearn.tree import DecisionTreeClassifier, plot_tree from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score, classification_report import matplotlib.pyplot as plt # 1. 加载鸢尾花数据集（Scikit-learn自带，无需手动准备） iris = load_iris() X = iris.data # 特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度 y = iris.target # 标签：0=山鸢尾，1=变色鸢尾，2=维吉尼亚鸢尾 feature_names = iris.feature_names # 特征名称 target_names = iris.target_names # 标签名称 # 2. 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 3. 训练决策树分类模型 model = DecisionTreeClassifier(max_depth=3, random_state=42) # max_depth限制树的深度，避免过拟合 model.fit(X_train, y_train) # 4. 模型预测与评估 y_pred = model.predict(X_test) accuracy = accuracy_score(y_test, y_pred) # 准确率（越接近1越好） print(f"模型准确率：{accuracy:.2f}") print("\n分类报告：") print(classification_report(y_test, y_pred, target_names=target_names)) # 5. 可视化决策树 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.figure(figsize=(10, 6)) plot_tree(model, feature_names=feature_names, class_names=target_names, filled=True, rounded=True) plt.title("鸢尾花分类决策树") plt.show() # 6. 实际预测：输入新的鸢尾花特征，预测品种 new_iris = [[5.1, 3.5, 1.4, 0.2]] # 山鸢尾的典型特征 pred_class = model.predict(new_iris) print(f"\n新鸢尾花的预测品种：{target_names[pred_class[0]]}")

代码说明：鸢尾花数据集是机器学习入门的经典数据集，包含150条数据、4个特征、3个类别。这个项目用决策树算法实现分类，运行代码后，你可以看到模型的准确率、分类报告，以及可视化的决策树，能清晰看到模型是如何根据特征判断鸢尾花品种的。

5.3 项目3：大模型API调用（零代码/低代码，快速落地）

项目目标：调用豆包大模型API，实现“文本生成”功能（比如生成技术文章、总结文本），掌握大模型的基础用法，适合非技术小白和程序员快速上手。

工具：Python、豆包API（免费申请，无需付费）。

步骤1：申请豆包API密钥（免费）

1. 访问豆包开放平台：https://www.doubao.com/openapi/ ，注册账号并登录；

2. 进入“API密钥管理”，创建API密钥（记录下来，后续代码中使用）；

3. 豆包API有免费额度，足够新手练习使用。

步骤2：运行代码（调用API，生成文本）

# 安装所需库（第一次运行需安装） # pip install doubao-api from doubao_api import DoubaoAPI # 初始化API（替换为你的API密钥） api_key = "你的API密钥" doubao = DoubaoAPI(api_key=api_key) # 定义提示词（Prompt），告诉大模型要做什么 prompt = """ 请你作为一名AI入门博主，写一篇500字左右的AI入门科普短文，要求： 1. 语言通俗，避免晦涩术语； 2. 重点介绍AI、机器学习、深度学习的关系； 3. 适合零基础小白阅读，鼓励新手入门； 4. 结尾给出简单的学习建议。 """ # 调用大模型API，生成文本 response = doubao.generate_text( prompt=prompt, model="doubao-pro", # 模型版本，免费版可用doubao-pro max_tokens=500, # 最大生成字数 temperature=0.7 # 随机性（0-1，越小越严谨，越大越灵活） ) # 输出生成的结果 print("大模型生成的AI入门科普短文：") print("="*50) print(response["result"]) # 补充：调用大模型实现代码解释功能 prompt2 = "请解释以下Python代码的功能，用通俗的语言说明，适合零基础小白：\nimport pandas as pd\ndf = pd.DataFrame(data)\nprint(df.describe())" response2 = doubao.generate_text(prompt=prompt2, model="doubao-pro", max_tokens=300) print("\n\n代码解释：") print("="*50) print(response2["result"])

代码说明：这个项目通过调用豆包API，实现了文本生成和代码解释功能。新手可以修改提示词，让大模型生成不同的内容（比如技术报告、学习计划、代码示例），也可以尝试调用其他大模型的API（如讯飞星火、ChatGPT），熟悉大模型的使用方式。

六、AI入门避坑指南+学习路线（新手必收藏）

6.1 新手常见避坑指南（少走弯路）

1. 不要一开始就啃复杂算法和公式：新手先掌握基础概念、Python和工具使用，再逐步学习算法，避免被公式劝退。

2. 不要只看不动手：AI学习的核心是实战，哪怕是简单的代码，也要亲手运行、修改，才能真正理解。

3. 不要盲目跟风学热门技术：比如现在大模型很火，新手不用一开始就钻研Transformer原理，先学会用大模型、调用API，再逐步深入底层。

4. 不要忽视基础：Python和数学是AI的基础，哪怕学得不精通，也要掌握核心用法，否则后续学习会很吃力。

5. 不要害怕报错：新手写代码、运行模型时，报错是正常的，学会用CSDN、Google搜索报错信息，逐步积累调试经验。

6.2 零基础AI学习路线（3-6个月，可直接照搬）

结合前面的知识点和实战项目，整理了一份适合零基础的学习路线，按阶段推进，每天学习1-2小时，3-6个月就能完成从0到1的突破。

第1-2周：认知破局+工具准备

- 学习AI、机器学习、深度学习的核心概念，理清三者关系；

- 搭建学习环境，熟悉Colab、VS Code、豆包等工具的使用；

- 避坑：不要急于学习代码和算法，先建立正确的认知。

第3-4周：Python基础+极简数学

- 掌握Python基础语法和核心库（NumPy、Pandas、Matplotlib）；

- 学习线性代数、概率论、微积分的核心基础，不用深入推导；

- 实战：每天写1-2段Python代码，用Pandas处理简单数据，用Matplotlib可视化。

第5-8周：机器学习基础+实战

- 学习监督学习、无监督学习的核心概念和常用算法；

- 重点掌握线性回归、决策树、K-Means算法的用法；

- 实战：完成房价预测、鸢尾花分类两个小项目，熟练使用Scikit-learn库。

第9-16周：深度学习入门+大模型应用

- 学习神经网络的基本结构、激活函数、损失函数等基础概念；

- 入门CNN（图像处理）、Transformer（文本处理）的基本原理；

- 实战：调用大模型API，实现文本生成、代码解释等功能；尝试用PyTorch/TensorFlow搭建简单的神经网络。

第17-24周：进阶提升+项目落地

- 深入学习一种深度学习框架（PyTorch或TensorFlow）；

- 学习提示词工程（Prompt Engineering），提升大模型使用效果；

- 实战：完成一个综合项目（如图片分类、文本情感分析、大模型应用工具），部署到GitHub，积累项目经验。