浩天博客
AI 学习路线
从 AI 概念到机器学习流程、CNN、对抗性流量防御和 AI 安全攻防的本机进度路线。

AI 学习路线

AI 基础路线

这条路线面向想系统补齐 AI 基础的读者：先把数据、模型、训练、评估讲清楚，再进入神经网络、深度学习数学和安全边界。每个阶段都优先选择能在本地运行的小实验，而不是只堆术语。

模块 核心问题 动手证据 常见误区
数据与特征 输入列、标签、归一化和缺失值怎样影响模型。 记录数据字段、标准化方式、训练/测试划分。 只看准确率，不检查数据泄漏或类别分布。
传统机器学习 K-means、线性模型和评估指标如何形成基线。 保存参数、SSE 或混淆矩阵，并复跑不同随机种子。 把一次随机结果当作稳定结论。
神经网络 矩阵乘法、激活函数、损失和梯度如何连接。 用小 batch 对照 forward、loss、gradient。 跳过形状检查，直接调大模型。
安全与边界 模型输入、训练数据和外部工具在哪里可能失控。 写出 threat model、误用场景和缓解措施。 把演示脚本直接放进生产环境。

AI 学习路线

从 AI 概念到 AI 安全攻防

按顺序阅读 AI、机器学习流程、算法选择、特征工程、训练评估、神经网络、项目实现和 AI 安全攻防，并在本机记录完成进度。

已完成 0/19
继续：人工智能基础学习路线
  1. 1

    概念地图

    人工智能基础学习路线

    先分清 AI、机器学习和深度学习，再进入具体实现。

    阅读文章
  2. 2

    机器学习流程

    机器学习完整流程

    从数据、特征、训练、预测到评估，把机器学习项目拆成可执行步骤。

    阅读文章
  3. 3

    算法选择

    机器学习算法怎么选

    按分类、回归、聚类、推荐和时间序列任务，先选合理基线模型。

    阅读文章
  4. 4

    特征工程

    特征工程入门实战

    用 scikit-learn Pipeline 处理缺失值、类别变量、标准化和数据泄漏风险。

    运行练习
  5. 5

    训练评估

    模型训练与评估入门

    理解损失函数、过拟合、训练测试拆分、准确率、召回率和 F1。

    阅读文章
  6. 6

    模型诊断

    过拟合和欠拟合怎么解决

    用训练分数、验证分数、模型复杂度和交叉验证诊断模型问题。

    运行练习
  7. 7

    神经网络

    神经网络基础

    从感知机继续看到激活函数、前向传播、反向传播和训练循环。

    阅读文章
  8. 8

    矩阵微积分

    神经网络矩阵微积分

    手推 y = Wx + b 的 dL/dW，并用有限差分做梯度检查。

    运行实验
  9. 9

    反向传播

    反向传播计算图

    沿两层 MLP 追踪 ReLU、softmax cross-entropy 和局部梯度。

    运行实验
  10. 10

    优化器

    梯度下降与优化器几何

    比较梯度下降、Momentum 和 Adam 在二维 loss surface 上的迭代轨迹。

    运行实验
  11. 11

    卷积数学

    卷积与感受野数学

    计算卷积输出尺寸、感受野、通道混合和 im2col 矩阵形状。

    运行实验
  12. 12

    Attention 数学

    Transformer Attention 数学

    手算 Q/K/V、缩放点积、softmax 权重、mask、多头结构和 KV cache。

    运行实验
  13. 13

    LLM 内部机制

    LLM 可视化教学台

    在浏览器里观察分词、Embedding、Attention、Next Token 和 KV Cache，不调用真实模型。

    打开教学台
  14. 14

    Python 实战

    Python 人工智能小实战

    用 scikit-learn 跑通一个小型分类任务，并阅读评估输出。

    运行练习
  15. 15

    安全建模

    AI 安全威胁建模

    用 NIST、MITRE ATLAS 和 OWASP 建立可审计的 AI 攻防地图。

    阅读文章
  16. 16

    鲁棒评估

    对抗样本与鲁棒评估

    运行 FGSM-style digits 实验，比较 clean accuracy 和 perturbed accuracy。

    运行实验
  17. 17

    数据完整性

    数据投毒与后门防御

    测量污染率、触发器和 attack success rate。

    运行实验
  18. 18

    模型隐私

    模型隐私与模型抽取防护

    测量 membership signal 和 surrogate fidelity。

    运行实验
  19. 19

    LLM 安全

    LLM/RAG/Agent 安全

    把指令和数据分层，并对工具权限做服务器端防护。

    运行实验

复核方式

读完一组文章后，建议用同一个数据集做三件事：先跑最小可用基线，再改一个参数观察输出变化，最后写下一个失败输入。这样能把“会看教程”推进到“能判断模型行为”。

AI 基础最容易踩的坑是直接追新模型，而没有留下可解释的基线。本站这条路线会优先把数据、损失函数、评估指标和安全边界讲清楚，再讨论更复杂的网络结构。这样即使换成新的模型框架，读者仍然知道应该检查哪些输入、输出和假设。

如果你已经有一定基础，可以把路线当作审计清单：每读一篇文章，就问自己是否能说明数据来源、训练目标、评价指标、失败模式和误用风险。答不上来的部分，就是下一步要补的内容。

对初学者来说，最有价值的记录不是“我跑通了”，而是“我知道为什么这次能跑通”。因此每个实验都建议写下默认参数、你改过的参数、输出变化，以及一条不理想的结果。长期看，这比收藏大量教程更能提升判断力。

后续新增 AI 内容也会按这个标准接入路线：有可运行示例、有评估方法、有边界说明，才会放到核心路径里。

向下探索