Code
Road
Map
路线图
学习路径
文章
题库
资源
社区
首页
/
路线图
/
机器学习工程师路线图
机器学习工程师路线图
一步步成为机器学习工程师。
难度
中级
时长
38 周
知识点
150
模块
6
0%
整体完成度
…
继续学习
已完成
进行中
未开始
1. 阶段一
0/50
简介
线性代数
面向对象编程
数据来源
数据库(SQL、No-SQL)
互联网
移动应用
JSON
CSV
预处理技术
数据清洗
降维
特征工程
特征选择
特征缩放与归一化
半监督学习
强化学习
自监督学习
什么是监督学习?
逻辑回归
支持向量机
梯度提升机
决策树与随机森林
聚类
重叠聚类
层次聚类
互斥聚类
概率聚类
精确率
召回率
对数损失
前向传播
反向传播
感知机、多层感知机
激活函数
神经网络(NN)基础
损失函数
卷积神经网络
CNN的应用
图像分类
图像分割
图像与视频识别
推荐系统
自然语言处理
分词
词形还原
词干提取
嵌入
注意力模型
为什么重要?
2. 阶段二
0/48
ML 工程师 vs AI 工程师
技能与职责
ML 工程师是什么?
微积分
链式求导法则
导数与偏导数
标量、向量、张量
奇异值分解
矩阵与矩阵运算
特征值、对角化
行列式、矩阵的逆
描述性统计
推断性统计
图表与图形
基本语法
条件语句
数据结构
异常
函数与内置函数
循环
核心库
Numpy
Pandas
Matplotlib
Seaborn
数据格式
机器学习类型
什么是机器学习?
分类
什么是无监督学习?
降维
自编码器
什么是模型评估?
评估指标
岭回归
池化
填充
卷积
步长
循环神经网络
GRU
LSTM
可解释人工智能
深度学习库
TensorFlow
Keras
PyTorch
Scikit-learn
3. 阶段三
0/22
梯度、雅可比矩阵与黑塞矩阵
离散数学
变量与数据类型
其他数据格式
无监督学习
监督学习
K近邻算法(KNN)
回归
主成分分析
什么是强化学习?
策略梯度
演员-评论家方法
深度 Q 网络
Q-Learning
准确率
F1 分数
ROC-AUC
混淆矩阵
Scikit-learn
验证技术
深度学习架构
注意力机制
4. 阶段四
0/22
统计学
Python
API
物联网
Parquet
Excel
线性回归
多项式回归
Lasso
LOOCV
K折交叉验证
自编码器
Transformer
多头注意力
自注意力
训练与测试数据
数据准备
数据加载
调参
预测
模型选择
ElasticNet 正则化
5. 阶段五
0/3
基本概念
概率
生成对抗网络
6. 阶段六
0/5
概率基础
分布类型
随机方差与概率密度函数
贝叶斯定理
RNN