Python AI 教程：从机器学习到大模型¶

**为具备 3-5 年 Python 后端经验的工程师打造的 AI 学习路径** 从传统机器学习到生成式 AI 的渐进式教程体系 [![Python Version](https://img.shields.io/badge/python-3.9%2B-blue?logo=python&logoColor=white)](https://www.python.org/downloads/) [![License](https://img.shields.io/badge/license-MIT-green)](https://github.com/shychee/py_ai_tutorial/blob/main/LICENSE) [![GitHub stars](https://img.shields.io/github/stars/shychee/py_ai_tutorial?style=social)](https://github.com/shychee/py_ai_tutorial/stargazers)

🎯 项目简介¶

本教程采用**实战驱动**的方式，帮助有一定Python基础的后端工程师系统学习人工智能技术栈。课程覆盖：

阶段3：机器学习与数据挖掘 - NumPy/Pandas数据分析 + scikit-learn传统ML
阶段4：深度学习 - PyTorch/TensorFlow深度学习 + CV/NLP应用
阶段5：AIGC与大模型 - LangChain/RAG/Agent + 对话系统开发

✨ 核心特点¶

渐进式学习路径

阶段3→4→5，明确前置依赖，循序渐进
跨平台支持

macOS (Intel/M系列)、Linux、Windows (原生/WSL2)、云端GPU
实战项目丰富

17个行业项目（医疗、电商、金融、CV、NLP、LLM等）
代码质量标准

PEP 8、类型注解、文档字符串、单元测试
多框架对比

PyTorch vs TensorFlow核心项目双实现
中文优先

文档、注释中文为主，技术术语中英对照

🚀 快速开始¶

环境要求¶

Python ≥3.9（推荐3.11+）
操作系统：macOS 10.15+、Linux (Ubuntu 20.04+)、Windows 10/11
磁盘空间：至少10GB（含数据与模型缓存）
内存：8GB+（16GB推荐）

安装步骤¶

# 1. 克隆项目
git clone https://github.com/shychee/py_ai_tutorial.git
cd py_ai_tutorial

# 2. 安装uv包管理器
curl -LsSf https://astral.sh/uv/install.sh | sh

# 3. 创建虚拟环境
uv venv --python 3.11
source .venv/bin/activate  # macOS/Linux

# 4. 安装依赖（阶段3）
uv pip install -e ".[stage3]"

# 5. 下载数据集
python scripts/data/download-stage3.py

📚 学习路径¶

阶段3：机器学习与数据挖掘（P1优先级，MVP核心）¶

学习目标: 掌握数据分析与传统ML算法，能完成端到端机器学习项目

模块: - M01: 科学计算库（NumPy/Pandas/Matplotlib） - M02: Pandas项目实战 - M03: AI数学基础 - M04: 机器学习进阶（分类/回归/聚类/集成）

项目作业（9个）: 1. 朝阳医院指标搭建及销售数据汇总 2. 服装零售销售数据分析（优衣库4P分析） 3. 银行电话营销活动分析（分类模型） 4. 通讯公司客户响应速度提升（RFM分析） 5. 零售超市经营分析（SWOT分析） 6. 滴滴出行运营数据异常分析 7. 淘宝百万级用户行为分析（年度复盘） 8. 航空公司客户价值分析（K-means聚类） 9. 信用贷款前审批项目（风控模型）

时间预估: 4-6小时（理论2-3h + 实践2-3h）

阶段4：深度学习（P2优先级）¶

学习目标: 掌握深度学习框架（PyTorch/TensorFlow），能完成CV/NLP迁移学习项目

模块: - M01: 深度学习基础理论（神经网络/反向传播/优化器） - M02: 计算机视觉基础（CNN/目标检测/图像分割） - M03: 自然语言处理基础（RNN/Transformer/预训练模型）

项目作业（7个，核心4个双框架实现）

时间预估: 6-10小时（GPU版本更快）

阶段5：AIGC与大模型（P3优先级）¶

学习目标: 掌握LLM应用开发（Prompt/RAG/Agent），能完成端到端对话系统

时间预估: 1-2天（端到端）

🖥️ 跨平台支持¶

我们提供针对不同操作系统的详细配置指引：

操作系统	特殊说明
macOS Intel (x86_64)	Homebrew安装，CPU环境
macOS Apple Silicon (arm64)	MPS GPU加速支持
Linux (Ubuntu/CentOS)	CUDA GPU支持
Windows 原生	PowerShell脚本
Windows WSL2	推荐，接近Linux体验
云端 GPU	Colab/AWS/自托管

遇到问题？ 查看故障恢复清单（≥5条常见问题与解决方案）

🤝 贡献指南¶

我们欢迎任何形式的贡献！

Fork本仓库
创建Feature分支 (git checkout -b feature/AmazingFeature)
提交更改 (git commit -m '添加某个很棒的功能')
推送到分支 (git push origin feature/AmazingFeature)
开启Pull Request

📜 许可证¶

本项目采用 MIT License 开源协议。

📧 联系方式¶

GitHub Issues: 提交问题
邮件: shychee96@gmail.com
文档: 在线文档

祝学习顺利！从数据分析到生成式AI，一步一个脚印。 🚀