入门
Python 数据分析入门
从零掌握 Python 语法，用 NumPy 与 Pandas 完成数据清洗、统计分析和可视化。
从编程基础到项目部署，按顺序推进，每一步都有明确目标和练习。不必贪多，专注走完这六步。
掌握变量、函数、数据结构与面向对象，学会用 Python 处理数据，并熟悉 Git 与命令行等基础工具。
理解线性代数、概率论与微积分中真正会用到的部分，建立看懂模型公式和评估结果的直觉。
从线性回归到决策树与集成模型，亲手完成数据清洗、特征工程、训练与评估的完整流程。
用 PyTorch 搭建神经网络，理解反向传播、CNN、RNN 与注意力机制，完成图像与文本任务。
学习 Transformer 原理、提示词工程、RAG 检索增强与 Agent 开发，把大模型接入真实应用。
从数据到上线：训练自己的模型，封装 API，优化推理性能，并用 Docker 与云服务完成部署。
优先选择能动手的课程：看一遍不如跑一遍，跑通之后再回头理解原理。
从零掌握 Python 语法，用 NumPy 与 Pandas 完成数据清洗、统计分析和可视化。
用 scikit-learn 完成分类、回归与聚类项目，学会正确划分数据并评估模型效果。
从张量到 CNN、RNN，手写训练循环，理解梯度、损失函数与优化器的每一个关键概念。
拆解注意力机制与 GPT 架构，读懂现代大语言模型如何训练、推理与生成文本。
写出稳定、可复用的提示词，掌握结构化输出、少样本示例与多轮对话设计。
用向量数据库、工具调用与工作流构建知识库问答和自动化智能体，并完成一个小型产品。
学习阶段不必追求复杂配置。先用免费资源跑通流程，需要时再逐步补齐工程工具。
答案都很朴素：按顺序学、动手做、别急着买课。剩下的是持续投入。
可以。路径从 Python 语法开始，不要求先学过高数。只要你能坚持每周投入 6–10 小时，按顺序完成练习，就能逐步跟上。真正拉开差距的，是持续动手，而不是起点。
入门阶段主要是理解概念并会用代码调用，不必手推公式。遇到瓶颈时再回头补线性代数和概率统计，带着问题学效率更高。不要因为“数学不好”停在第一周。
完全可以。前期用 Google Colab 或 Kaggle 的免费 GPU 跑实验；小模型和绝大部分练习在普通笔记本上也能完成。先验证思路，再考虑算力，不必一开始就配机器。
按每周 8–10 小时计算，完整走完六个阶段大约需要 6–9 个月。如果只想做 AI 应用开发，可以优先完成 Python 基础后跳到第 5 阶段，把大模型应用先跑起来。
不需要。本站只做学习路线整理与资源导航，推荐的课程、文档、数据集和工具均可免费获取。付费课程可以作为补充，但不该成为开始学习的前提。