这份综合学习计划将指导您掌握生成式 AI 生态系统中最常用的工具和技术，每一步都配有实践项目和资源。
基础知识
目标
建立机器学习和深度学习概念的坚实基础
学习用于机器学习的 Python
主题： 数据操作、库（NumPy, pandas）、绘图（matplotlib）
资源： Python 数据科学手册，YouTube 上的 FreeCodeCamp Python 课程
机器学习基础
主题： 回归、分类、过拟合、评估指标
资源： 吴恩达机器学习课程，《机器学习实战：基于 Scikit-Learn、Keras 和 TensorFlow》
深度学习入门
主题： 神经网络、激活函数、反向传播
精通 PyTorch
目标
熟练掌握使用 PyTorch 构建和训练神经网络
PyTorch 初学者指南
主题： 张量（Tensors）、自动微分（autograd）、nn.Module、数据集和数据加载器
资源： PyTorch 官方教程
构建自定义神经网络
任务： 图像分类（MNIST/CIFAR-10 数据集）
资源： Eli Stevens 著《PyTorch 深度学习实战》
预训练模型
主题： 迁移学习、微调
资源： 迁移学习教程
Hugging Face
目标
理解 Transformer 模型和 Hugging Face 生态系统
Hugging Face 基础
主题： Transformers 库、分词器（Tokenizers）和数据集
资源： Hugging Face 课程
使用预训练模型
任务： 文本分类、情感分析、摘要生成
资源： Hugging Face Transformers 文档
使用 Hugging Face 进行微调
主题： 微调 BERT、GPT、T5 模型
LangChain
目标
学习如何使用 LangChain 构建基于 LLM 的应用程序
LangChain 简介
主题： 链（Chains）、记忆（Memory）、代理（Agents）、工具（Tools）
资源： LangChain 文档
构建应用程序
任务： 问答系统、基于文档的聊天机器人
高级特性
主题： 自定义工具、多任务链接、外部 API 集成
RAG (检索增强生成)
目标
学习检索增强生成 (RAG) 如何结合检索与生成模型
RAG 基础
主题： 概念、检索器（Retrievers）、生成器（Generators）、向量存储（Vector Stores）
实现 RAG 管道
任务： 文档搜索 + 生成系统
工具： LangChain + Hugging Face
资源： LangChain RAG 教程，Hugging Face RAG 示例
模型微调
目标
掌握针对特定任务微调生成式模型的过程
微调概念
主题： 迁移学习、超参数调整
资源： Hugging Face 微调指南，Google Colab 实验平台
微调模型
任务： 针对 NLP 任务微调 GPT、T5 或自定义 Transformer
资源： Hugging Face Trainer API 或 PyTorch Lightning
评估微调后的模型
主题： BLEU、ROUGE、困惑度（Perplexity）及实际应用评估
生成式 AI 应用
目标
构建端到端的生成式 AI 解决方案
构建聊天机器人
工具： LangChain、RAG、微调后的 LLM
任务： 基于文档的实时问答
创意生成
任务： 文本、图像和代码生成应用程序
工具： Hugging Face、OpenAI、Stability AI
部署模型
工具： FastAPI、Streamlit 或 Docker 用于部署应用
资源： Hugging Face Spaces，AWS 或 Google Cloud 部署教程
实战项目
目标
通过实际项目巩固所学知识
项目创意
• 使用 Hugging Face 的新闻摘要生成器
• 自定义 RAG 驱动的知识助手
• 结合文本和图像生成的多模态应用
协作与分享
• 在 GitHub 上参与开源项目
• 在 Kaggle 或 Hugging Face Spaces 上分享项目
保持更新
目标
紧跟生成式 AI 的最新发展
博客与新闻通讯
• OpenAI 新闻通讯
参与社区
• Hugging Face 论坛、Reddit 和 Discord 群组