经常有人问“想入门 AI 应该怎么学”。每个人背景不同，没有唯一路线，下面是一份按阶段划分的参考，欢迎补充。

【阶段一：基础能力】
- 编程：熟练使用 Python，掌握 NumPy、Pandas 等常用库，能读懂和调试代码。会用 Git 和命令行。
- 数学：线性代数（向量、矩阵、矩阵乘法）、概率统计（分布、期望、贝叶斯）、微积分（导数、梯度、链式法则）。不必一开始就啃完教材，可以边学边补。

【阶段二：机器学习核心】
- 监督学习与无监督学习的基本概念、损失函数、过拟合与正则化、训练集/验证集/测试集划分。
- 经典模型：线性回归、逻辑回归、决策树与集成方法。
- 评估指标：准确率、精确率、召回率、F1、AUC，以及它们各自适合的场景。

【阶段三：深度学习与大模型】
- 神经网络、反向传播、优化器，熟悉 PyTorch 的基本用法。
- Transformer 结构：注意力机制、位置编码、编码器与解码器。
- 大模型相关：预训练与微调、分词（tokenization）、提示词工程、RAG、LoRA 等参数高效微调方法、评测方法。

【阶段四：工程与实践】
- 模型部署与推理优化、API 服务开发、向量数据库、日志与评测。
- 做 1～3 个完整项目：从数据处理到上线演示，并写清楚过程和问题。

【学习建议】
1. 理论和动手交替进行，学完一个概念就写代码验证。
2. 优先选择口碑好的公开课程、官方文档和经典论文，注意信息时效性。
3. 阅读论文时先看摘要、图表和结论，再决定是否精读。
4. 参与开源项目或社区讨论，从修文档、复现问题开始。

【常见误区】
- 只看教程不动手。
- 追逐每一个新模型新名词，基础不扎实。
- 认为证书可以替代项目经验。

讨论：
1. 你入门时走过哪些弯路？
2. 有哪些课程或资料你认为特别值得推荐？