正文

一份系统化的机器学习学习路线图：从传统算法到大语言模型

本文介绍了一个结构化的机器学习学习仓库，涵盖从传统机器学习、深度学习到LLM、RAG、Agentic AI等前沿领域的完整知识体系，为学习者提供清晰的学习路径。

机器学习深度学习大语言模型LLMRAG学习路线知识图谱具身智能强化学习

发布时间 2026/05/02 14:44最近活动 2026/05/02 14:48预计阅读 2 分钟

章节 01

【主楼/导读】系统化机器学习学习路线图：从传统算法到大语言模型

在人工智能技术飞速发展的今天，如何系统性学习机器学习是许多开发者的难题。本文介绍的开源项目wenyuexin/machine-learning提供结构化学习路线图，帮助学习者从基础算法逐步深入到前沿的大语言模型和智能体技术，涵盖传统机器学习、深度学习、LLM、RAG、Agentic AI等完整知识体系。

章节 02

项目背景与设计理念

该学习笔记仓库旨在解决机器学习领域知识碎片化问题，采用层次化结构组织内容（从基础理论到工程实践），模块化设计让每个模块既可独立学习，又能形成有机知识网络，为学习者提供清晰路径。

章节 03

基础方法层：传统机器学习核心

项目底层聚焦传统机器学习方法，是理解现代AI的必经之路：

监督学习：分类（SVM、决策树）、回归（线性回归、岭回归）
无监督学习：聚类（K-means、DBSCAN）、降维（PCA、t-SNE）
半监督/自监督学习：半监督的自训练、协同训练、伪标签；自监督的对比学习、掩码预测（均为大模型预训练基础）

章节 04

深度学习与强化学习模块

深度学习模块涵盖CNN、RNN、Transformer等基础架构，以及GAN、VAE、Diffusion等生成模型；强化学习部分从基础理论延伸到策略优化算法（PPO、TRPO），为理解AI决策系统奠定基础。

章节 05

大语言模型（LLM）核心内容

LLM模块是亮点：

基础：Transformer架构、注意力机制
主流开源模型：GPT系列、LLaMA系列、Qwen系列、DeepSeek系列、Mistral系列、Gemma系列技术报告
后训练：监督微调（SFT）、直接偏好优化（DPO）、RLHF等对齐技术
推理使用：Prompt工程、解码策略（实际应用必备）

章节 06

前沿应用层：RAG、Agentic AI与具身智能

项目紧跟前沿：

RAG：结合外部知识库解决模型幻觉
Agentic AI：LLM驱动的自主系统
具身智能：AI在物理世界落地
世界模型：环境建模与预测（通用AI方向）
训练基础设施：分布式训练、显存优化等工程实践

章节 07

计算机视觉与多模态模块

CV模块：传统方法（SIFT、HOG、Canny）到深度学习，涵盖图像分类、目标检测（YOLO、Faster R-CNN）、分割（UNet、SAM）、姿态估计、人脸识别、OCR、目标跟踪、3D视觉（NeRF）、视频理解
多模态大模型：视觉语言模型（VLM）、音频语言模型、视频语言模型、全模态模型（Any2Any）

章节 08

学习建议与总结展望

学习建议：初学者从传统ML入手，掌握基础后进入深度学习；有基础者可直接关注LLM、RAG等前沿模块；每个模块含理论、实现、论文阅读，形成学习闭环，还有资料书籍推荐。总结：仓库价值在于系统性和前瞻性，覆盖从传统ML到LLM及Agentic AI、具身智能等前沿，是AI深耕者的优质资源；展望：结构化资源助力开发者建立扎实知识体系，保持技术竞争力。