第 1 月：机器学习基础与 Python 工程实践
🎯 学习目标
- 掌握机器学习核心概念：监督学习、非监督学习、过拟合、交叉验证等
- 掌握常见算法：线性回归、逻辑回归、KNN、SVM、决策树、随机森林
- 熟练使用 Python 科学计算工具：NumPy、Pandas、Matplotlib、Scikit-learn
📚 推荐课程
✅ 每周任务安排
Week 1：
- Python 高级语法：函数、迭代器、类与模块
- NumPy 与 Pandas 的使用：数据清洗、缺失值处理、数据合并与透视表
- 练习题：LeetCode 简单算法题（每日 1~2 题）
Week 2：
- 学习监督学习：线性回归与逻辑回归
- 实战项目：用波士顿房价数据集预测房价（LinearRegression）
- 学习过拟合/欠拟合，使用交叉验证调参
Week 3：
- 学习分类模型：KNN、决策树、随机森林、SVM
- 实战项目：Kaggle Titanic 数据分析
- 学会使用 Sklearn 的
GridSearchCV、Pipeline
Week 4：
- 非监督学习简介：KMeans 聚类
- 实战项目：使用 KMeans 对顾客分群（Mall Customers 数据集）
- 用 Matplotlib/Seaborn 展示结果可视化
🛠️ 阶段成果输出
- GitHub 项目仓库：
ml-basics-practice
- 提交内容包括：
- 每个模型代码 & notebook
- 说明文档（README.md）
- 模型效果截图
第 2 月：神经网络与 PyTorch 入门
🎯 学习目标
- 理解神经网络的结构：前向传播、反向传播、激活函数、损失函数
- 掌握 PyTorch 框架基础
- 能手动构建一个图像分类网络（MNIST/CIFAR10）
📚 推荐课程
✅ 每周任务安排
Week 1：
- 理论：神经网络基础、感知器、激活函数（ReLU、Sigmoid）
- 实操：用 Numpy 手写单层神经网络（练习 forward/backward）
- 安装 PyTorch，运行官方示例代码
Week 2：
- 构建多层感知器（MLP），在 MNIST 上进行手写数字分类
- 学习 loss 函数（MSE、CrossEntropy）、优化器（SGD、Adam）
- 学会查看模型参数与梯度
Week 3：
- 使用 CNN 实现图像分类
- 用
torchvision 导入 CIFAR10 数据集
- 学习 Dropout、BatchNorm、数据增强
Week 4：
- 学习模型保存/加载、早停（Early Stopping）
- 实战项目：构建小型猫狗识别器（Kaggle Dogs vs Cats mini）
🛠️ 阶段成果输出
- GitHub 项目仓库：
deep-learning-from-scratch
- 项目内容：
- 自建 MLP/CNN 模型源码
- 训练/测试结果图
- README.md 包括网络结构图、训练日志、模型下载链接
第 3 月：模型部署与端到端项目实战
🎯 学习目标
- 掌握模型 API 封装（使用 Flask/FastAPI）
- 掌握模型部署流程（本地+云端）
- 构建一个可被调用的 AI 服务（如图像识别 / 文本分类）
📚 推荐资源
✅ 每周任务安排
Week 1：
- 学习 Flask 与 FastAPI 的基本用法
- 路由、请求参数、返回 JSON
- 搭建一个“模型服务API”：调用本地训练的模型返回预测结果
Week 2：
- 学习模型序列化与加载（
.pt, .pkl）
- 将 PyTorch 模型封装为 Web 服务（POST 请求上传图像→返回预测）
- 项目示例：图像识别 API
Week 3：
- 学习 Docker 打包部署
- 编写
Dockerfile、构建镜像、启动容器
- 学习使用 Postman 测试 API
- 项目扩展：用 Swagger 文档化你的接口
Week 4：
- 将模型部署到云平台：
- 使用 Render.com / Railway / HuggingFace Spaces / AWS
- 终极实战项目：
- 项目名称：AI 猫狗分类云服务
- 用户上传图片，服务器返回预测种类与概率
🛠️ 阶段成果输出
- GitHub 项目仓库：
ai-image-api-deploy
- 项目内容：
- API 源码（FastAPI + 模型封装）
- Docker 部署脚本
- 在线部署链接（附截图）
- 视频演示（可选，上传到 YouTube 或哔哩哔哩）
第 4 月：MLOps 流程与模型生命周期管理
🎯 学习目标
- 理解 MLOps 核心：版本控制、自动训练、部署监控
- 掌握 MLFlow/Airflow 用于实验追踪与任务调度
- 掌握生产级模型开发流程
📚 推荐资源
✅ 每周任务安排
Week 1：
- 理解 MLOps 概念：数据版本、模型注册、部署监控
- 安装 MLflow，本地进行模型实验记录
- 训练不同超参模型，记录结果对比
Week 2：
- 学习自动化训练任务管理（Airflow）
- 定义 DAG、调度模型定时训练
- 掌握 CI/CD 简单概念：使用 GitHub Actions 触发自动训练
Week 3：
- 构建一个生产级 AI 项目结构
- 按照最佳实践分层管理：data/ model/ api/ scripts/
- 项目实战：新闻文本分类系统 + 模型版本跟踪 + API 接口
Week 4：
- 项目打包发布
- 提交完整文档：架构图、部署流程、环境要求
- 编写使用说明 + 在线体验链接
🛠️ 阶段成果输出
- GitHub 项目仓库：
news-classifier-mlops
- 内容包括：
- 完整目录结构 + API + MLflow 使用记录
- CI/CD 脚本（GitHub Actions 示例）
- README：MLOps 项目文档说明