先修要求 (Prerequisites)

目标学员: 具备3-5年Python后端开发经验的工程师，希望系统学习AI技术

本教程适合你，如果你: - ✅ 熟悉Python语法（函数、类、模块、异常处理） - ✅ 有命令行使用经验（Linux/macOS Terminal 或 Windows PowerShell） - ✅ 理解基本的版本控制（Git） - ✅ 能阅读英文技术文档 - ❌ **不需要**AI/机器学习背景（从零开始）

---

📋 必需技能清单

1. Python编程 (必需)

期望水平: 能独立编写中等规模的Python应用

自测清单 (点击展开)

- [ ] 熟练使用Python基础语法 (变量、循环、条件、函数) - [ ] 理解面向对象编程 (类、继承、多态) - [ ] 会使用Python标准库 (os, sys, pathlib, json, csv) - [ ] 理解异常处理与上下文管理器 (try/except, with) - [ ] 会使用第三方包 (pip install, import) - [ ] 能阅读和调试他人的Python代码 **推荐资源** (若需要补习): - 官方教程: https://docs.python.org/3/tutorial/ - 《Python Cookbook》(中文版) - Real Python: https://realpython.com/

---

2. 命令行基础 (必需)

期望水平: 能在终端中完成文件操作、运行脚本、管理环境

自测清单

- [ ] 会使用基本命令 (cd, ls, mkdir, cp, rm) - [ ] 理解文件路径 (绝对路径 vs 相对路径) - [ ] 会运行Python脚本 (`python script.py`) - [ ] 会查看帮助文档 (`man`, `--help`) - [ ] 会使用环境变量 (export, PATH) **速成指南**:

# macOS/Linux
cd ~                    # 进入用户主目录
ls -la                  # 列出所有文件（含隐藏）
mkdir projects          # 创建目录
cd projects             # 进入目录
pwd                     # 显示当前路径
python3 --version       # 查看Python版本

# Windows PowerShell
cd ~
ls -Force               # 列出所有文件
mkdir projects
cd projects
pwd
python --version

---

3. 数学基础 (推荐，非必需)

期望水平: 高中数学 + 基础概率统计

核心概念 (教程会逐步讲解)

**阶段3 (机器学习) 需要**: - 线性代数: 矩阵运算、向量点积 (教程中有NumPy实现) - 概率统计: 均值、方差、正态分布、假设检验 - 微积分: 导数概念 (理解梯度下降，无需手算) **阶段4 (深度学习) 需要**: - 链式法则 (反向传播原理) - 矩阵乘法 (神经网络前向传播) - 凸优化基础 (损失函数最小化) **阶段5 (LLM/AIGC) 需要**: - 概率论 (语言模型、采样策略) - 信息论基础 (交叉熵、KL散度) **推荐资源**: - 3Blue1Brown (YouTube): 线性代数与微积分可视化 - Khan Academy (可汗学院): 统计学与概率论 - 《程序员的数学》(日本，中文翻译版) **重要提示**: - 📚 教程会提供**通俗化数学讲解**，配合Python实现与可视化 - 🔢 不需要记忆公式，理解**直觉与应用**即可 - 💻 强调代码实现，数学公式作为补充

---

4. 英语阅读 (推荐)

期望水平: 能阅读技术文档、论文摘要、错误信息

为什么需要英语？

- 📚 主流框架文档 (PyTorch, TensorFlow) 以英文为主 - 📝 前沿论文 (arXiv) 多为英文 - 🐛 报错信息与Stack Overflow问答以英文为主 - 🚀 最新技术动态 (博客、GitHub) 英文更新最快 **本教程的语言策略**: - ✅ 核心教学内容: 中文 - ✅ 代码注释: 中文 - ✅ 术语首次出现: 中英对照 (如: 准确率 Accuracy) - ✅ 提供完整术语表: `docs/glossary.md` **英语能力不足怎么办？**: - 使用翻译工具 (DeepL, Google Translate) - 查阅本教程的术语表 - 在学习社群提问

---

🛠️ 环境要求

硬件要求

组件	最低配置	推荐配置	说明
CPU	2核	4核+	阶段3可在2核运行
内存	8 GB	16 GB	阶段⅘推荐16GB
硬盘	20 GB可用空间	50 GB	含数据集与模型缓存
GPU	不需要	NVIDIA GPU (4GB+ VRAM) 或 Apple Silicon	阶段3不需要GPU；阶段4推荐GPU (可云端)

---

软件要求

软件	版本要求	安装指引
操作系统	macOS 10.15+, Ubuntu 20.04+, Windows 10/11	-
Python	≥3.9 (推荐3.11)	快速开始指南
Git	≥2.20	Git官网
uv	最新版	curl -LsSf https://astral.sh/uv/install.sh \| sh
Jupyter Lab	≥3.0	uv pip install jupyterlab (安装依赖后)

---

网络要求

• ✅ 能访问PyPI (Python包索引) - 若无法访问，可使用国内镜像
• ✅ 能访问GitHub - 若无法访问，可使用Gitee镜像或离线数据包
• ⚠️ 阶段5需访问LLM API (DeepSeek/OpenAI) - 需API密钥

---

📚 推荐前置学习资源

若Python基础薄弱

在线课程: - Python官方教程 (中文) - 廖雪峰Python教程 - Real Python (英文，质量高)

书籍: - 《Python编程：从入门到实践》(第2版) - 《流畅的Python》(进阶)

时间投入: 1-2周 (每天2-3小时)

---

若数学基础薄弱

线性代数: - 3Blue1Brown: 线性代数的本质 (视频，强烈推荐) - 课程: MIT 18.06 Linear Algebra (中文字幕)

概率统计: - Khan Academy: 统计与概率论 (中文) - 书籍: 《深入浅出统计学》(Head First Statistics)

微积分: - 3Blue1Brown: 微积分的本质 - 仅需理解导数概念，无需手算微积分

时间投入: 1周 (重点看视频，理解概念)

---

若Git不熟悉

速成指南:

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

# 查看状态
git status

# 拉取最新代码
git pull

# 创建分支（可选，用于实验）
git checkout -b my-experiments

# 提交更改（可选）
git add .
git commit -m "完成项目P01"
git push origin my-experiments

推荐资源: - Git简明指南 - Learn Git Branching (交互式教学)

时间投入: 1-2小时 (学会克隆、拉取、提交即可)

---

🎯 学前自测

在开始学习前，请确认你能完成以下任务：

环境配置自测

# 1. 检查Python版本
python3 --version  # 应输出 Python 3.9+ (推荐3.11)

# 2. 创建虚拟环境
python3 -m venv test_env
source test_env/bin/activate  # Windows: test_env\Scripts\activate

# 3. 安装测试包
pip install numpy pandas matplotlib

# 4. 运行测试脚本
python -c "import numpy as np; import pandas as pd; import matplotlib.pyplot as plt; print('✅ 环境正常')"

# 5. 清理测试环境
deactivate
rm -rf test_env

预期输出: ✅ 环境正常

---

Python能力自测

运行以下代码，确保能理解每一行的含义：

# 1. 数据处理
import pandas as pd

data = {
    'name': ['Alice', 'Bob', 'Charlie'],
    'age': [25, 30, 35],
    'score': [85, 90, 95]
}
df = pd.DataFrame(data)

# 2. 筛选与聚合
high_scorers = df[df['score'] >= 90]
avg_age = df['age'].mean()

# 3. 可视化
import matplotlib.pyplot as plt
plt.bar(df['name'], df['score'])
plt.title('Score Distribution')
plt.show()

# 4. 函数定义
def calculate_grade(score):
    if score >= 90:
        return 'A'
    elif score >= 80:
        return 'B'
    else:
        return 'C'

df['grade'] = df['score'].apply(calculate_grade)
print(df)

若能理解80%以上: ✅ 可以开始学习 若有困难: 📚 建议先补习Python基础 (1-2周)

---

🚀 准备好了吗？

如果你: - ✅ 有Python基础 (能写函数、能用pip安装包) - ✅ 有命令行经验 (能cd、能运行脚本) - ✅ 能阅读英文报错信息 (或会用翻译工具) - ✅ 有8GB+内存的电脑 - ✅ 每天能投入1-3小时

那么**你已经准备好了**！ 🎉

---

📖 开始学习

第一步: 跟随快速开始指南完成环境配置 (30-60分钟)

第二步: 运行 notebooks/stage3/00-quick-start.ipynb，5分钟体验机器学习 🚀

第三步: 查看学习路线图，规划你的学习路径

遇到问题？ 查看故障排查指南

---

❓ 常见问题

Q1: 我没有数学背景，能学吗？

A: 可以！本教程强调**代码实现 + 直觉理解**，数学公式作为补充。高中数学 + 教程中的讲解足够应对阶段3和阶段4。

---

Q2: 我没有GPU，能学吗？

A: 可以！ - 阶段3 (机器学习): CPU完全够用 (<5分钟/项目) - 阶段4 (深度学习): 提供CPU版本配置 (<30分钟/项目)，或使用云端GPU (免费) - 阶段5 (LLM): 使用API调用，无需本地GPU

---

Q3: 我用Windows，会有问题吗？

A: 不会！教程覆盖Windows原生环境与WSL2 (推荐)。遇到问题查看Windows故障排查。

---

Q4: 完成全部教程需要多久？

A: 取决于你的节奏： - 快速路径 (仅核心项目): 12-18小时 (1周，每天2-3小时) - 标准路径 (推荐): 25-35小时 (2-3周，每天2-3小时) - 深入路径 (所有项目 + 拓展): 50-80小时 (1-2个月)

详见学习路线图。

---

Q5: 我是数据分析师 / 算法工程师 / 学生，适合这个教程吗？

A: - 数据分析师: ✅ 适合！可快速过阶段3（可能已掌握），重点学阶段⅘ - 算法工程师: ✅ 适合！可作为系统化复习，补充跨平台实战经验 - 学生: ✅ 适合！但需确保有Python基础（建议先学1-2个月Python）

---

准备好开始你的AI学习之旅了吗？ 🚀

→ 快速开始指南