Web 开发者转 AI 学习路线
这条路线适合这样的起点：
- 已经有 Web 开发经验（前端 / 后端 / 全栈均可）
- 会一点 Python，但不系统
- 希望在 6 到 12 个月内做出能上线的 AI 产品
Web 技能复用地图
转 AI 不是从零开始。Web 开发者已经具备的技能可以直接复用：
| Web 技能 | AI 场景复用 | 复用程度 |
|---|---|---|
| REST API 设计 | 模型推理接口、Embedding API | ⭐⭐⭐⭐⭐ |
| JSON 数据处理 | 特征工程、数据管道 | ⭐⭐⭐⭐ |
| 前端组件化 | AI Demo 界面、交互式可视化 | ⭐⭐⭐⭐⭐ |
| Docker / CI/CD | 模型打包、MLOps 流水线 | ⭐⭐⭐⭐ |
| 数据库操作 | 向量数据库、RAG 数据存储 | ⭐⭐⭐⭐ |
| 异步编程 | 模型推理队列、流式输出 | ⭐⭐⭐ |
| TypeScript 类型系统 | Python 类型标注、数据校验 | ⭐⭐⭐ |
总体目标
4 周内
- 搭起稳定的学习节奏
- 补齐 Python、数据处理和数学底座
- 完成第一个端到端的小项目
3 到 6 个月
- 掌握经典机器学习与深度学习核心概念
- 能把模型封装为 API
- 能让前端和模型服务真正接起来
6 到 12 个月
- 独立设计并上线一个 AI 驱动的 Web 产品
- 能评估效果、定位问题并规划下一轮迭代
四阶段路线
阶段 1：AI 基础暖身（4 周）
- 补 Python 数据处理、NumPy、Pandas
- 复习线性代数、微积分、概率统计
- 建立监督学习、训练集/验证集/测试集这些基础概念
周计划：
| 周次 | 主题 | 交付物 |
|---|---|---|
| W1 | Python 环境 + 语法回顾 | 能运行 Jupyter Notebook，完成 3 个语法练习 |
| W2 | NumPy + Pandas 数据操作 | 一个 CSV 分析脚本 |
| W3 | 数学复习：线性代数 + 微积分 | 公式卡片 + 代码验证 |
| W4 | 概率统计 + ML 基础概念 | 阶段总结 + 一个 EDA 项目 |
对应文档：阶段 1：Python 与数学基础
阶段 2：经典机器学习（6 周）
- 学会完整的 scikit-learn 工作流
- 理解特征工程、模型选择、评估与调参
- 完成一个数据建模案例并封装 API
周计划：
| 周次 | 主题 | 交付物 |
|---|---|---|
| W5 | scikit-learn 基础 + 线性模型 | 回归预测脚本 |
| W6 | 分类算法 + 评估指标 | 分类模型对比报告 |
| W7 | 特征工程 + Pipeline | 完整的特征处理管道 |
| W8 | 模型调参 + 交叉验证 | 调参实验记录 |
| W9 | 模型解释 + SHAP | 可解释性分析报告 |
| W10 | 模型封装 API | 一个可调用的 FastAPI 服务 |
对应文档：阶段 2：经典机器学习
阶段 3：深度学习核心（6 周）
- 掌握 PyTorch 基本训练流程
- 实现一个图像或文本分类模型
- 把训练好的模型部署成服务
周计划：
| 周次 | 主题 | 交付物 |
|---|---|---|
| W11 | PyTorch 基础：Tensor + Autograd | 手写梯度下降 |
| W12 | 神经网络：Module + Dataset | MNIST 分类器 |
| W13 | CNN 图像分类 | CIFAR-10 分类项目 |
| W14 | RNN/LSTM 文本分类 | 情感分析模型 |
| W15 | 训练优化：LR 调度 + 正则化 | 模型调优实验记录 |
| W16 | 模型部署：导出 + API | 推理服务 Demo |
对应文档：阶段 3：深度学习核心
阶段 4：AI + Web 产品化（8 周）
- 结合前端经验做真实用户可用的 AI 功能
- 建立最小 MLOps 闭环
- 形成产品、技术和复盘文档
周计划：
| 周次 | 主题 | 交付物 |
|---|---|---|
| W17-18 | LLM API 集成 + RAG 基础 | 问答系统原型 |
| W19-20 | 前端集成 + 流式输出 | 带 UI 的 AI 助手 |
| W21-22 | Agent 设计 + 工具调用 | 自动化工作流 Demo |
| W23-24 | MLOps + 监控 + 上线 | 完整产品 + 复盘文档 |
对应文档：阶段 4：AI + Web 产品化
每周节奏建议
- 每周固定 3 到 4 次学习时段，每次 1.5 小时
- 周末留半天给项目实践，不只看概念
- 每周至少做一次复盘，把问题写回仓库
text
推荐一周安排（以 5 天为例）：
周一 1.5h ─ 概念学习（看视频/读文档）
周三 1.5h ─ 动手练习（写代码/做实验）
周五 1.5h ─ 项目推进（做最小交付物）
周六 3h ─ 整合实践（串联本周内容）
周日 1h ─ 复盘 + 写总结建议配合这些栏目使用：
推荐资源
系统课程
| 课程 | 适用阶段 | 语言 |
|---|---|---|
| Andrew Ng 机器学习课程 | 阶段 1-2 | 中英 |
| fast.ai Practical Deep Learning | 阶段 3 | 英 |
| CS231n 计算机视觉 | 阶段 3 | 英 |
| Full Stack Deep Learning | 阶段 4 | 英 |
| Hugging Face Course | 阶段 3-4 | 中英 |
实战平台
- Kaggle 入门竞赛：用真实数据练建模
- Hugging Face Spaces：快速部署 Demo
- Made With ML：从基础到产品化的系统教程
- LeetCode ML 分类：刷算法同时理解数学
书籍
- 《Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow》对应阶段 1-3
- 《Dive into Deep Learning》对应阶段 3
- 《Designing Machine Learning Systems》对应阶段 4
自我评估清单
每个阶段结束时，用这份清单评估自己的完成度：
阶段 1 检查点
- [ ] 能不查手册独立写 Python 数据处理脚本
- [ ] 能用 NumPy 实现矩阵运算
- [ ] 能说清楚梯度下降的直觉含义
- [ ] 有至少 3 个 Notebook 和 1 篇总结
阶段 2 检查点
- [ ] 能用 scikit-learn 完成建模全流程
- [ ] 能比较 3 种以上模型的优劣
- [ ] 能解释特征重要性
- [ ] 有一个 API 可以接收数据并返回预测结果
阶段 3 检查点
- [ ] 能用 PyTorch 写出完整训练循环
- [ ] 能训练一个分类模型并保存权重
- [ ] 能把模型部署为 HTTP 服务
- [ ] 有调参实验记录
阶段 4 检查点
- [ ] 有一个可部署的 AI 产品 Demo
- [ ] 前端能展示 AI 的推理结果
- [ ] 有监控和错误处理机制
- [ ] 有完整的技术文档和复盘
评估方式
每个阶段都不要只看"学了多久"，而要看是否产出明确交付物：
- 是否有可回看的阶段总结
- 是否有能跑的最小 demo
- 是否有一次完整的从数据到服务的闭环
- 是否能解释为什么选这个方案，而不是只会照着做
下一步
如果你现在刚开始，顺序可以很简单：
- 先读 AI 基本概念总览
- 再读 阶段 1：Python 与数学基础
- 然后给自己定一周的最小交付物，不要一口气铺满 3 个月计划