中文
人工智能基础学习路线：先理解什么是 AI、机器学习和深度学习
人工智能这个词很容易被讲得很玄，但如果你已经有一点编程基础，入门时最重要的不是先追最新模型，而是先建立一张清楚的地图：哪些概念属于同一层，哪些只是工具，哪些才是真正需要反复练习的基本功。
这篇文章先把人工智能、机器学习、深度学习之间的关系讲清楚，再给出一条适合程序员的学习路线。后面的文章会继续展开机器学习流程、模型训练、神经网络和一个 Python 小实战。
读完这一篇，你应该能回答三个问题：AI 和机器学习是不是一回事，为什么机器学习需要数据和标签，以及接下来应该按什么顺序补基础。
一、先区分三个常见词
初学人工智能时，最容易混在一起的三个词是：
- 人工智能：让程序表现出某种“智能行为”的大方向
- 机器学习：让程序从数据中学习规律，而不是只靠手写规则
- 深度学习：机器学习中的一类方法，主要使用多层神经网络
它们不是并列关系，而是包含关系：
人工智能
└── 机器学习
└── 深度学习所以，学人工智能并不等于一开始就训练大模型。更稳妥的顺序是先理解“数据如何变成模型”，再去看神经网络和大模型。
二、传统编程和机器学习有什么不同
传统编程通常是这样：
规则 + 输入数据 -> 输出结果比如你写一个判断闰年的函数，规则由程序员明确写出来，输入年份，输出 true 或 false。
机器学习更像这样：
输入数据 + 已知答案 -> 学出规则
新输入数据 + 学出的规则 -> 预测结果例如垃圾邮件分类，你不太可能手写完所有规则。更常见的做法是准备很多邮件和对应标签，让模型从样本中学习哪些特征更像垃圾邮件。
这就是机器学习对程序员最重要的思维转换：你写的代码不再直接描述全部规则，而是描述“如何从数据中学习规则”。
三、一个 AI 项目通常由哪些部分组成
从工程角度看，一个最小的机器学习项目通常包含下面几个环节：
- 定义问题：到底要分类、预测数值，还是做聚类
- 准备数据：数据从哪里来，标签是否可靠，字段含义是什么
- 处理特征：把原始数据变成模型可以使用的数字
- 训练模型：让算法根据训练数据调整参数
- 评估效果：用没见过的数据检查模型是否真的有用
- 使用模型：把模型放到脚本、服务或产品流程里
很多初学者会把注意力全部放在“换一个更强的模型”上，但真实项目里，数据质量、特征处理和评估方式往往更重要。
四、应该先学哪些基础
如果你已经能写基本程序，人工智能入门建议先补下面几块：
- Python 基础：函数、列表、字典、模块、虚拟环境和包管理
- 数据处理：CSV、表格数据、缺失值、简单统计量
- 线性代数直觉：向量、矩阵、点积，不需要一开始追求严密证明
- 概率统计直觉：均值、方差、分布、采样、相关性
- 模型评估：训练集、测试集、准确率、过拟合
这些内容不是一次学完再开始实践，而是可以边写小程序边补。最有效的方式是每学一个概念，就找一个小数据集跑一遍。
五、推荐的学习顺序
比较适合有编程基础读者的路线是：
- 先理解 AI、机器学习、深度学习的关系
- 学习监督学习中的分类和回归问题
- 掌握训练集、验证集、测试集的区别
- 理解损失函数、参数、训练轮次和过拟合
- 用 scikit-learn 跑通一个完整分类任务
- 再进入神经网络、深度学习框架和大模型应用
这个顺序的好处是：先把“模型为什么能从数据里学东西”这件事想明白，再接触复杂框架时就不容易迷路。
六、入门时不要急着做什么
下面几件事可以稍微往后放：
- 一开始就训练大型深度学习模型
- 还没理解评估方式就比较模型好坏
- 只复制 Notebook，但不解释每一步输入输出
- 把“调用 API”误认为已经理解人工智能基础
调用现成模型当然有价值，但基础学习阶段更重要的是知道：数据怎么进入模型，模型怎么产生预测，预测结果怎么评估。
七、一个简单的自测标准
学完这一阶段，不需要马上能推导复杂公式，但至少应该能用自己的话解释下面几件事：
- 为什么同一个问题可以用规则编程解决，也可以用机器学习解决
- 特征和标签分别是什么，它们在训练中承担什么角色
- 训练集和测试集为什么不能随便混在一起
- 为什么模型效果不能只看一次运行结果
八、这个系列接下来怎么读
这一篇先建立地图。后面几篇会按下面顺序展开：
- 机器学习完整流程：从数据、特征到模型预测
- 模型训练与评估：损失函数、过拟合和指标
- 神经网络基础：从感知机到多层网络
- Python 小实战：用 scikit-learn 完成分类任务
学人工智能基础，最好的目标不是“记住很多名词”，而是能拿到一个小问题后，清楚地说出：数据是什么、目标是什么、模型学什么、怎么验证它有没有学对。
英文
AI Basics Learning Roadmap: AI, Machine Learning, and Deep Learning
在独立页面打开Artificial intelligence is often introduced as if it were a single mysterious subject. If you already know how to program, a better starting point is to build a clear map: which ideas belong together, which tools are just implementation details, and which fundamentals you should practice repeatedly.
This article separates artificial intelligence, machine learning, and deep learning, then gives a practical learning path for programmers. The next posts in this series cover the machine learning workflow, model training and evaluation, neural networks, and a small Python classification project.
After reading it, you should be able to answer three questions: whether AI and machine learning are the same thing, why machine learning needs data and labels, and which foundations to learn next.
1. Start With Three Terms
The first source of confusion is usually this group of terms:
- Artificial intelligence: the broad goal of making software behave intelligently
- Machine learning: systems that learn patterns from data instead of relying only on hand-written rules
- Deep learning: a subset of machine learning that uses multi-layer neural networks
They are not separate boxes. The relationship is nested:
Artificial intelligence
└── Machine learning
└── Deep learningThat means learning AI does not have to begin with training large models. A more stable path is to understand how data becomes a model, then move into neural networks and large-model applications.
2. Traditional Programming vs. Machine Learning
Traditional programming usually looks like this:
Rules + input data -> outputFor example, if you write a leap-year function, the rule is explicitly written by the programmer. The input is a year, and the output is true or false.
Machine learning often looks more like this:
Input data + known answers -> learned rule
New input data + learned rule -> predictionFor spam classification, you probably cannot hand-write every useful rule. A common approach is to collect many emails with labels, then let a model learn which patterns are associated with spam.
This is the most important mindset shift for programmers: your code no longer describes every rule directly. It describes how the program should learn rules from data.
3. The Parts of a Basic AI Project
From an engineering perspective, a small machine learning project usually contains these steps:
- Define the problem: classification, regression, clustering, ranking, or something else
- Prepare the data: where it comes from, whether labels are reliable, and what each field means
- Build features: convert raw records into numbers the model can use
- Train the model: let the algorithm adjust parameters from training data
- Evaluate results: test the model on data it has not seen during training
- Use the model: place predictions inside a script, service, or product workflow
Beginners often focus too much on switching to a stronger model. In real projects, data quality, feature handling, and evaluation design are often more important.
4. What to Learn First
If you already know basic programming, start with these areas:
- Python basics: functions, lists, dictionaries, modules, virtual environments, and packages
- Data handling: CSV files, tabular data, missing values, and simple statistics
- Linear algebra intuition: vectors, matrices, and dot products without heavy proof work at the beginning
- Probability and statistics intuition: mean, variance, distributions, sampling, and correlation
- Model evaluation: train/test splits, accuracy, validation, and overfitting
You do not need to finish all of this before practicing. The better approach is to run small examples and fill the gaps as each concept appears.
5. A Practical Learning Order
A useful order for programmers is:
- Understand the relationship between AI, machine learning, and deep learning
- Learn supervised classification and regression
- Understand training, validation, and test data
- Learn loss functions, parameters, training epochs, and overfitting
- Run a complete classification task with scikit-learn
- Then move into neural networks, deep learning frameworks, and large-model applications
This order helps you understand why a model can learn from data before you deal with larger frameworks and more complex model architectures.
6. What Not to Rush
These can wait until the foundations are clearer:
- Training a large deep learning model as the first project
- Comparing models before understanding evaluation metrics
- Copying notebooks without explaining each input and output
- Confusing API usage with understanding AI fundamentals
Using existing models is valuable, but during foundation learning, the main goal is to understand how data enters a model, how predictions are produced, and how predictions are evaluated.
7. A Simple Self-Check
At this stage, you do not need to derive advanced formulas. You should, however, be able to explain these ideas in your own words:
- Why the same problem can sometimes be solved with hand-written rules or with machine learning
- What features and labels are, and what role they play during training
- Why training data and test data should not be mixed casually
- Why one run of one model is not enough to prove that a model is reliable
8. How to Read This Series
This first article gives the map. The next articles expand the workflow in order:
- Machine Learning Workflow: from data and features to predictions
- Model Training and Evaluation: loss, overfitting, and metrics
- Neural Network Basics: from perceptrons to multi-layer networks
- Python AI Mini Practice: a classification task with scikit-learn
The goal is not to memorize as many AI terms as possible. The goal is to take a small problem and clearly explain what the data is, what the target is, what the model learns, and how to verify whether it learned something useful.
人工智能这个词很容易被讲得很玄，但如果你已经有一点编程基础，入门时最重要的不是先追最新模型，而是先建立一张清楚的地图：哪些概念属于同一层，哪些只是工具，哪些才是真正需要反复练习的基本功。
这篇文章先把人工智能、机器学习、深度学习之间的关系讲清楚，再给出一条适合程序员的学习路线。后面的文章会继续展开机器学习流程、模型训练、神经网络和一个 Python 小实战。
读完这一篇，你应该能回答三个问题：AI 和机器学习是不是一回事，为什么机器学习需要数据和标签，以及接下来应该按什么顺序补基础。
一、先区分三个常见词
初学人工智能时，最容易混在一起的三个词是：
- 人工智能：让程序表现出某种“智能行为”的大方向
- 机器学习：让程序从数据中学习规律，而不是只靠手写规则
- 深度学习：机器学习中的一类方法，主要使用多层神经网络
它们不是并列关系，而是包含关系：
人工智能
└── 机器学习
└── 深度学习所以，学人工智能并不等于一开始就训练大模型。更稳妥的顺序是先理解“数据如何变成模型”，再去看神经网络和大模型。
二、传统编程和机器学习有什么不同
传统编程通常是这样：
规则 + 输入数据 -> 输出结果比如你写一个判断闰年的函数，规则由程序员明确写出来，输入年份，输出 true 或 false。
机器学习更像这样：
输入数据 + 已知答案 -> 学出规则
新输入数据 + 学出的规则 -> 预测结果例如垃圾邮件分类，你不太可能手写完所有规则。更常见的做法是准备很多邮件和对应标签，让模型从样本中学习哪些特征更像垃圾邮件。
这就是机器学习对程序员最重要的思维转换：你写的代码不再直接描述全部规则，而是描述“如何从数据中学习规则”。
三、一个 AI 项目通常由哪些部分组成
从工程角度看，一个最小的机器学习项目通常包含下面几个环节：
- 定义问题：到底要分类、预测数值，还是做聚类
- 准备数据：数据从哪里来，标签是否可靠，字段含义是什么
- 处理特征：把原始数据变成模型可以使用的数字
- 训练模型：让算法根据训练数据调整参数
- 评估效果：用没见过的数据检查模型是否真的有用
- 使用模型：把模型放到脚本、服务或产品流程里
很多初学者会把注意力全部放在“换一个更强的模型”上，但真实项目里，数据质量、特征处理和评估方式往往更重要。
四、应该先学哪些基础
如果你已经能写基本程序，人工智能入门建议先补下面几块：
- Python 基础：函数、列表、字典、模块、虚拟环境和包管理
- 数据处理：CSV、表格数据、缺失值、简单统计量
- 线性代数直觉：向量、矩阵、点积，不需要一开始追求严密证明
- 概率统计直觉：均值、方差、分布、采样、相关性
- 模型评估：训练集、测试集、准确率、过拟合
这些内容不是一次学完再开始实践，而是可以边写小程序边补。最有效的方式是每学一个概念，就找一个小数据集跑一遍。
五、推荐的学习顺序
比较适合有编程基础读者的路线是：
- 先理解 AI、机器学习、深度学习的关系
- 学习监督学习中的分类和回归问题
- 掌握训练集、验证集、测试集的区别
- 理解损失函数、参数、训练轮次和过拟合
- 用 scikit-learn 跑通一个完整分类任务
- 再进入神经网络、深度学习框架和大模型应用
这个顺序的好处是：先把“模型为什么能从数据里学东西”这件事想明白，再接触复杂框架时就不容易迷路。
六、入门时不要急着做什么
下面几件事可以稍微往后放：
- 一开始就训练大型深度学习模型
- 还没理解评估方式就比较模型好坏
- 只复制 Notebook，但不解释每一步输入输出
- 把“调用 API”误认为已经理解人工智能基础
调用现成模型当然有价值，但基础学习阶段更重要的是知道：数据怎么进入模型，模型怎么产生预测，预测结果怎么评估。
七、一个简单的自测标准
学完这一阶段，不需要马上能推导复杂公式，但至少应该能用自己的话解释下面几件事：
- 为什么同一个问题可以用规则编程解决，也可以用机器学习解决
- 特征和标签分别是什么，它们在训练中承担什么角色
- 训练集和测试集为什么不能随便混在一起
- 为什么模型效果不能只看一次运行结果
八、这个系列接下来怎么读
这一篇先建立地图。后面几篇会按下面顺序展开：
- 机器学习完整流程：从数据、特征到模型预测
- 模型训练与评估：损失函数、过拟合和指标
- 神经网络基础：从感知机到多层网络
- Python 小实战：用 scikit-learn 完成分类任务
学人工智能基础，最好的目标不是“记住很多名词”，而是能拿到一个小问题后，清楚地说出：数据是什么、目标是什么、模型学什么、怎么验证它有没有学对。
搜索问题
常见问题
这篇文章适合谁读？
这篇文章适合想用 入门 难度理解“人工智能基础学习路线：先理解什么是 AI、机器学习和深度学习”的读者，预计阅读时间约 8 分钟，重点覆盖 AI, Machine Learning, Deep Learning。
读完后下一步应该看什么？
推荐下一步阅读“机器学习完整流程：从数据、特征到模型预测”，这样可以把当前知识点接到更完整的学习路线里。
这篇文章有没有可运行代码或配套资源？
这篇文章以解释为主，文末相关阅读会继续指向更接近实战的代码和资源页面。
这篇文章和整个网站的学习路线有什么关系？
它会通过文章上下文、学习路线、资源库和项目时间线连接到同一主题下的其他内容。
文章上下文
人工智能项目
从 AI、机器学习、训练评估、神经网络到 Python 小实战、手写数字识别、CIFAR-10 CNN、对抗性流量防御和 AI 安全攻防，按顺序建立基础。
项目时间线
已发布文章
- 人工智能基础学习路线：先理解什么是 AI、机器学习和深度学习 面向有编程基础的读者，梳理 AI、机器学习、深度学习的关系，并给出可执行的人工智能基础学习路线。
- 机器学习完整流程：从数据、特征到模型预测 从工程视角拆解机器学习完整流程：定义问题、理解数据、处理特征、训练模型、预测和评估。
- 机器学习算法怎么选：分类、回归、聚类和推荐场景对照表 用任务类型、数据规模、解释性和部署成本选择机器学习算法，覆盖逻辑回归、决策树、随机森林、K-means 和表格数据基线模型。
- 特征工程入门实战：用 scikit-learn 处理缺失值、类别变量和数值标准化 用 scikit-learn Pipeline 和 ColumnTransformer 完成特征工程，处理缺失值、类别变量、数值标准化，并避免数据泄漏。
- 模型训练与评估入门：损失函数、过拟合和准确率怎么理解 讲清楚模型训练中的参数、损失函数、梯度下降、过拟合，以及准确率、召回率、F1 等分类评估指标。
- 过拟合和欠拟合怎么解决：机器学习模型调优实战指南 用训练分数和验证分数判断过拟合与欠拟合，并通过模型复杂度、正则化、交叉验证和特征工程调整机器学习模型。
- 神经网络基础：从感知机到多层网络 从一个神经元讲起，解释权重、偏置、激活函数、前向传播、反向传播和典型神经网络训练循环。
- Python 人工智能小实战：用 scikit-learn 完成一个分类任务 使用 scikit-learn 内置教学数据集跑通一个分类任务，覆盖数据加载、拆分、标准化、训练、预测、评估和实验记录。
- 手写数字识别项目入门：先读懂 train.csv、test.csv 和标签结构 从项目文件结构入手，读懂手写数字训练集、测试集、标签列和 784 维像素输入，为后续 C 分类器和实验台打基础。
- 用 C 实现手写数字 Softmax 分类器：从 784 维像素到 submission.csv 结合当前项目源码，讲清楚 softmax 多分类、损失函数、梯度更新、混淆矩阵输出，以及 submission.csv 的生成过程。
- 手写数字实验记录：怎么把离线分类项目接进浏览器实验台 解释浏览器实验台为什么采用轻量预训练模型、它和离线 C 项目的关系，以及如何用样本浏览和手绘输入理解预测结果。
- CIFAR-10 Tiny CNN 教程：用 C 语言实现小型卷积神经网络图像分类 用单文件 C 程序完成 CIFAR-10 小型 CNN 图像分类，讲解数据格式、网络结构、训练命令、loss、accuracy、常见错误和改进方向。
- 构建高熵流量防御：基于 Python 的连接层白噪声混淆与对抗性机器学习实践 以 mld_chaffing_v2.py 虚幻镜项目为例，讲解加密元数据泄漏、信息熵、分布距离、混淆矩阵、空闲窗口微脉冲和性能测试取舍。
- AI 安全威胁建模：用 NIST AML、MITRE ATLAS 和 OWASP 建立攻防地图 用 NIST Adversarial ML、MITRE ATLAS 和 OWASP LLM Top 10 建立 AI 安全威胁模型，覆盖资产、攻击面、证据和剩余风险。
- 对抗样本与鲁棒评估：从 FGSM 公式到 scikit-learn 数字分类实验 从 FGSM 公式解释对抗样本，用 scikit-learn digits toy 实验评估 clean accuracy、perturbed accuracy 和扰动预算。
- 数据投毒与后门攻击防御：污染率、触发器和训练管线隔离 用 toy digits 实验解释数据投毒、后门触发器、attack success rate、数据来源审计和训练管线隔离。
- 模型隐私与模型窃取风险：成员推断、模型抽取和输出接口防护 用本地 toy 实验解释成员推断、模型抽取、membership AUC、surrogate fidelity、输出最小化和查询治理。
- LLM/RAG/Agent 安全：Prompt Injection、工具权限和边界感知防护 从 RAG 和 Agent 架构解释 prompt injection、外部数据降权、工具 allowlist、人工审批和边界感知防护。
- 人工智能 NLP 基础：词袋模型与 TF-IDF 详解 介绍自然语言处理中最基础的文本表示方法：词袋模型（Bag of Words）与 TF-IDF，理解它们的工作原理及优缺点。
- 循环神经网络 (RNN) 基础：处理序列数据的记忆力 理解 RNN 的核心思想、隐藏状态的作用，以及它在处理自然语言序列任务时的优势与挑战。
- Transformer 与自注意力机制：AI 领域的革命性突破 深入浅出地讲解 Transformer 架构的核心：自注意力机制（Self-Attention）及其运作方式。
- 用 C 从零实现 CIFAR-10 Tiny CNN：卷积、池化和反向传播 基于实际 cifar10_tiny_cnn.c 项目，讲解 CIFAR-10 数据格式、3x3 卷积、ReLU、最大池化、全连接层、softmax、反向传播和本地运行方式。
已公开资源
- Python AI 小实战代码说明 文章内包含可直接复制运行的 scikit-learn 分类脚本。
- digit_softmax_classifier.c 手写数字 softmax 分类器的 C 语言源码。
- train.csv.zip 手写数字训练集压缩包，包含 42000 条带标签样本。
- test.csv.zip 手写数字测试集压缩包，包含 28000 条待预测样本。
- sample_submission.csv 官方提交格式示例，可直接对照最终输出字段。
- submission.csv 当前 C 项目跑出的预测结果文件。
- digit-playground-model.json 浏览器实验台使用的轻量 softmax 演示模型与样本。
- digit-sample-grid.svg 从训练集中抽取的小型手写数字预览网格。
- 手写数字项目打包下载 包含源码、压缩数据、提交文件、浏览器模型和样本预览图。
- cifar10_tiny_cnn.c 源码 单文件 C 语言 tiny CNN，包含 CIFAR-10 读取、卷积、池化、softmax 和反向传播。
- model_weights.bin 样例权重 一次本地小样本运行生成的模型权重文件。
- test_predictions.csv 预测样例 CIFAR-10 tiny CNN 输出的测试预测样例。
- CNN 项目说明 PDF 配套 CNN 项目说明材料。
- 虚幻镜脱敏代码骨架 去除控制口令、真实节点和目标列表后的 mld_chaffing_v2.py 控制流程说明。
- 虚幻镜压力测试记录模板 用于记录 CPU、内存、线程峰值、微脉冲速率、延迟和错误数的脱敏 CSV 模板。
- 虚幻镜分类器评估模板 用于记录 TP、FN、FP、TN、accuracy、precision、recall、F1、ROC-AUC、熵和 JS 散度的 CSV 模板。
- 虚幻镜资源说明 说明公开资源为何只提供脱敏代码、测试模板和架构笔记。
- AI Security Lab 说明 说明 AI 安全攻防系列的安全边界、安装命令和 quick-run 实验。
- AI Security Lab 完整实验包 包含安全 toy scripts、结果 CSV、风险登记表、攻防矩阵和架构图。
- AI 安全风险登记表 面向 AI 威胁建模和上线评审的 CSV 风险登记模板。
- AI 攻防矩阵 把攻击面、toy demo、指标和防护控制映射到一张 CSV 表。
- AI Security Lab 架构图 展示威胁建模、鲁棒评估、数据完整性、模型隐私和 RAG 防护之间的关系。
- FGSM digits 鲁棒评估脚本 本地 digits 分类器的 FGSM-style 扰动和准确率下降实验。
- 数据投毒与后门 toy 脚本 用 digits 数据演示污染率、触发器和 attack success rate。
- 模型隐私与抽取 toy 脚本 输出 membership AUC、target accuracy、surrogate fidelity 和 surrogate accuracy。
- RAG prompt injection guard toy 脚本 用确定性 toy agent 演示外部数据降权和工具权限阻断。
- 深度学习专题分享图 用于分享深度学习 / CNN 专题页的 1200x630 SVG 图。
- 从零实现机器学习分享图 用于分享 K-means、Iris 和机器学习流程专题页的 1200x630 SVG 图。
- 学生 AI 项目分享图 用于分享手写数字、C 分类器和浏览器实验台专题页的 1200x630 SVG 图。
- CNN 卷积扫描动画 Remotion 生成的 8 秒短动画，展示 3x3 卷积核如何扫描输入并形成特征图。
当前学习路线
- 人工智能基础学习路线 学习路线节点
- 机器学习完整流程 学习路线节点
- 机器学习算法怎么选 学习路线节点
- 特征工程入门实战 学习路线节点
- 模型训练与评估入门 学习路线节点
- 过拟合和欠拟合怎么解决 学习路线节点
- 神经网络基础 学习路线节点
- Transformer 自注意力机制 学习路线节点
- LLM 可视化教学台 学习路线节点
- Python 人工智能小实战 学习路线节点
- 手写数字数据结构入门 学习路线节点
- 用 C 实现手写数字 Softmax 分类器 学习路线节点
- 手写数字实验台说明 学习路线节点
- CIFAR-10 Tiny CNN 教程 学习路线节点
- 高熵流量防御实验 学习路线节点
- AI 安全威胁建模 学习路线节点
- 对抗样本与鲁棒评估 学习路线节点
- 数据投毒与后门防御 学习路线节点
- 模型隐私与模型抽取防护 学习路线节点
- LLM/RAG/Agent 安全 学习路线节点
下一步计划
- 补充更多图像分类和误差分析案例
- 把常见指标整理成速查表
- 继续补充 AI 安全防御实验记录