以下是针对AI自学入门和基础学习的系统化教程推荐，结合资源与实践路径，分为核心学习模块和工具应用方向：
一、基础理论与编程准备
1. 编程语言与框架
Python是AI领域的首选语言，需掌握基础语法及NumPy、Pandas等数据处理库。
学习框架推荐PyTorch或TensorFlow，可通过Hugging Face工具链快速调用模型API。
学习资源：GitHub开源项目如"Awesome AI/ML Resources"提供从Python入门到前沿模型的完整路线。
2. 数学基础
重点学习线性代数、概率统计和微积分，这些是理解神经网络和优化算法的核心。
斯坦福CS224N等课程配套教材（如《Speech and Language Processing》）适合NLP方向入门。
二、核心技术与实践路径
1. 机器学习与学习
入门阶段：通过Kaggle项目实战掌握经典算法（如随机森林、CNN），避免过度关注已淘汰的算法。
进阶学习：精读Transformer原论文，理解自注意力机制及BERT/GPT等模型的微调技术。
2. 大模型开发
从Decoder-only结构（如LLaMA、ChatGLM）入手，学习全参数微调、领域数据预训练等技巧。
使用LangChain框架构建端到端应用，整合提示词工程与多模型协作。
三、工具与创作实战
1. AI绘画与设计
Midjourney：通过官方教程学习提示词优化，结合`--niji`模型生成二次元风格图像。
Illustrator：矢量图设计基础，包括路径工具、图层管理等，适合平面设计方向。
2. 视频与交互应用
使用DeepSeek等国产模型生成动态内容，如结合语音合成让静态图片"动起来"。
通过Stable Diffusion的WebUI调整参数（如CFG值、采样步数）优化图像生成效果。
四、学习资源推荐
1. 免费课程与文档
吴恩达系列课程（斯坦福同款）及GPT官方提示词教程，适合零基础系统学习。
国内资源如"DeepSeek陈卷王教程"涵盖从搭建知识库到商业变现的全流程。
2. 社区与开源项目
参与Hugging Face社区项目，复现论文模型或贡献代码。
关注ArXiv、NeurIPS顶会论文，跟踪技术前沿。
五、避坑建议
优先级：先掌握工具应用（如调用API），再深入理论，避免初期陷入数学细节。
数据安全：使用领域模型时注意数据格式要求，避免通用能力下降。
- 实践驱动：通过"6周刷完大模型"等密集计划快速积累项目经验。
