6个月就业版（每天4小时）

适用于：稳妥准备、兼顾工作/学业、目标进入AI行业 前提：有一定的编程基础 目标：达到AI算法/LLM应用工程师就业水平

---

总览

阶段	时长	核心目标
Month 1-2	8周	数学基础 + 机器学习
Month 3-4	8周	深度学习核心 + 论文
Month 5-6	8周	LLM + 项目 + 面试

---

Month 1-2: 数学基础 + 机器学习

Week 1-2: 线性代数

目标：掌握DL所需的核心数学工具

每日任务：

• Day 1-3: 向量空间、矩阵运算、线性变换
• Day 4-5: 特征值、特征向量、SVD
• Day 6-7: 范数、矩阵微分、矩阵分解

验收标准：

• [ ] 能手推PCA完整流程
• [ ] 能解释SVD的几何意义
• [ ] 能进行矩阵微分运算

必做练习：

# 1. 用NumPy实现矩阵运算
# 2. 实现SVD并应用于图像压缩
# 3. 手推softmax梯度

---

Week 3-4: 概率统计 + 信息论

目标：理解概率视角下的机器学习

每日任务：

• Day 1-2: 概率分布、期望、方差
• Day 3-4: 条件概率、贝叶斯公式、最大似然估计
• Day 5-6: KL散度、交叉熵、信息熵
• Day 7: 整合学习 + 小测

验收标准：

• [ ] 能从伯努利分布推导sigmoid
• [ ] 能解释MLE与交叉熵的关系
• [ ] 能计算KL散度

面试高频：

• MLE vs MAP对比
• 常见分布及其共轭
• 交叉熵与KL散度的关系

---

Week 5-6: 优化方法

目标：掌握训练背后的优化理论

每日任务：

• Day 1-2: 梯度下降、SGD、Momentum
• Day 3-4: Adam、RMSprop、Adagrad
• Day 5-6: 学习率调度、梯度裁剪
• Day 7: 从零实现优化器

验收标准：

• [ ] 能解释Momentum的物理意义
• [ ] 能解释Adam的bias correction
• [ ] 能对比各种优化器的优劣

---

Week 7-8: 机器学习核心

目标：掌握经典ML算法原理和实现

每日任务：

• Day 1-2: 线性回归、逻辑回归（手推+sklearn）
• Day 3-4: 决策树、随机森林、XGBoost
• Day 5-6: SVM、KMeans、PCA
• Day 7-8: 整合 + sklearn实战

验收标准：

• [ ] 能从零实现逻辑回归
• [ ] 能解释XGBoost的 boosting 原理
• [ ] 能手推KMeans和PCA

必须掌握的sklearn API：

from sklearn.linear_model import LogisticRegression
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.svm import SVC
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA
from sklearn.model_selection import train_test_split, cross_val_score

---

Month 3-4: 深度学习核心 + 论文

Week 9-10: 神经网络基础

目标：理解BP反向传播和训练流程

每日任务：

• Day 1-2: 神经网络结构、激活函数
• Day 3-4: BP反向传播（手推）
• Day 5-6: 初始化策略（Xavier/He/Kaiming）
• Day 7-8: 正则化（Dropout/L1/L2/BatchNorm）

验收标准：

• [ ] 能从零手推BP算法
• [ ] 能解释BatchNorm的训练/推理差异
• [ ] 能解释Dropout为什么能防止过拟合

必读论文：

• Batch Normalization (Ioffe & Szegedy, 2015)
• Dropout (Srivastava et al., 2014)

---

Week 11-12: CNN + RNN

目标：掌握两大经典架构

CNN部分：

• Day 1-2: 卷积、池化、LeNet/AlexNet/VGG
• Day 3-4: ResNet（残差连接）、DenseNet
• Day 5: EfficientNet、MobileNet

RNN部分：

• Day 6: Vanilla RNN、梯度消失/爆炸
• Day 7-8: LSTM、GRU、seq2seq

验收标准：

• [ ] 能解释卷积操作原理
• [ ] 能解释ResNet残差连接的作用
• [ ] 能解释LSTM门机制的设计

---

Week 13-14: Transformer

目标：掌握Transformer核心

每日任务：

• Day 1-2: Self-Attention、Multi-Head Attention
• Day 3-4: 位置编码（Sinusoidal/RoPE/ALiBi）
• Day 5-6: Encoder-Decoder、Layer Norm
• Day 7-8: Flash Attention、GPT-2/T5架构

验收标准：

• [ ] 能从零实现Multi-Head Attention
• [ ] 能解释Pre-LN vs Post-LN
• [ ] 能解释RoPE的设计动机

必读论文：

• Attention Is All You Need (Vaswani et al., 2017) ⭐⭐⭐
• Layer Normalization (Ba et al., 2016)
• RoPE (Su et al., 2022)

---

Week 15-16: 进阶主题

目标：了解前沿技术方向

每日任务：

• Day 1-2: ViT、DeiT、Swin Transformer
• Day 3-4: Diffusion Model（DDPM/DDIM）
• Day 5-6: MoE、EVA-CLIP、CLIP
• Day 7-8: LoRA、RLHF、DPO

验收标准：

• [ ] 能解释ViT与CNN的差异
• [ ] 能解释Diffusion的forward/backward过程
• [ ] 能解释LoRA的高效微调原理

---

Month 5-6: LLM + 项目 + 面试

Week 17-18: HuggingFace生态

目标：掌握LLM开发工具链

每日任务：

• Day 1-2: Transformers库、模型加载、生成策略
• Day 3-4: PEFT（LoRA/QLoRA/Alpaca）
• Day 5-6: DeepSpeed、Accelerate
• Day 7-8: 分布式训练实战

---

Week 19-20: RAG系统

目标：独立开发RAG系统

每日任务：

• Day 1-2: 文档加载、文本切分
• Day 3-4: 向量数据库、混合检索
• Day 5-6: 重排序、RAG评估
• Day 7-8: 完整RAG项目

---

Week 21-22: Agent开发

目标：掌握Agent开发范式

每日任务：

• Day 1-2: ReAct/CoT、LangChain
• Day 3-4: LangGraph、状态机
• Day 5-6: MCP协议、Function Calling
• Day 7-8: 多Agent协作

---

Week 23-24: 项目 + 简历 + 面试

项目开发（选2个）：

1. RAG知识库问答系统
2. MCP智能Agent助手
3. 多模态文档理解
4. LLM微调实践

简历准备：

• STAR法则描述项目
• 量化成果
• 准备高频面试题

面试冲刺：

• 每天刷3道算法题
• 每天复习2道系统设计
• 模拟面试

---

6个月 vs 3个月对比

方面	3个月速通	6个月就业
数学基础	压缩过	系统学
机器学习	跳过	完整学
论文深度	读摘要	读全文+复现
项目数量	2个	3-4个
竞赛/开源	无	有加分
薪资起点	20-30K	25-40K
目标公司	中小厂	大厂/明星Startup

---

每日时间分配（参考）

4小时/天 = 1.5小时学习 + 2小时代码 + 0.5小时复习

工作日：
  20:00-21:30  学习新知识
  21:30-23:00  代码实践
  23:00-23:30  整理笔记

周末：
  09:00-12:00  深度学习（论文/项目）
  14:00-17:00  代码实践
  19:00-21:00  复习+做题