📲 LLM学习路径

第一部分：模型算法基础

编程基础

Web框架：
- 学习 Gradio 和 Streamlit，快速构建前端页面。
- 传统 GUI 框架如 Tkinter 已少用，开发多用 C/C++/C#。
数据分析与可视化：
- 熟悉 Pandas、Matplotlib、Seaborn，Python 数学库用得少。
数据库：
- 掌握 Redis、PostgreSQL、MySQL、MongoDB。
协议与服务部署：
- 了解 RESTful API、WebSocket、gRPC，用于模型服务化。
并发与并行编程：
- 学习 异步编程、多线程、多进程，提升程序性能。
C++编程：
- C++ 难度大，入门慢，可做拓展学习，也可考虑 Go、JS、Rust。

第二部分：机器学习

基础概念和算法

数据工程与特征工程：
- 数据和特征是模型的基础，重要性不言而喻。
经典算法：
- 学习线性回归、逻辑回归、SVM、朴素贝叶斯、随机森林、K-Means、PCA 降维。
现代机器学习算法：
- 重点学习 XGBoost、LightGBM、CatBoost 等流行算法。
自动机器学习 (AutoML)：
- 关注 AutoML，自动化模型学习和参数调优。
模型评价指标：
- 掌握 F1-score、准确率、召回率，这些指标在评估模型中很重要。

第三部分：深度学习

深度学习基础

理论基础：
- 理解神经网络、梯度反向传播、激活函数，学习 CNN、LSTM 等结构。
深度学习框架：
- 推荐学习 PyTorch，更受欢迎且与 TensorFlow 2.x 类似，计算图已废弃。
分布式训练：
- 分布式训练在大模型中应用广泛，需重点学习。

第四部分：自然语言处理 (NLP)

自然语言处理的基础

传统 NLP 方法：
- 了解马尔科夫链、CRF 等传统方法。
预训练模型：
- 重点学习 Transformer、BERT、GPT 及其变种。

第五部分：大规模语言模型 (LLM)

大模型的基础与应用

主流大模型：
- 了解 LLaMA、ChatGLM、Qwen、OpenAI 等大模型。
提示工程 (Prompt Engineering)：
- 设计和优化提示词，提高生成效果。
大模型的微调和预训练：
- 使用 LLaMA-Factory 工具，学习大模型微调和预训练。
大模型的量化：
- 学习量化技术，提升模型运行效率。
模型部署：
- 了解云端和本地部署方式，如 llama.cpp (低性能场景) 和 vllm (高并发场景)。
模型和数据平台：
- 熟悉 Hugging Face、ModelScope 等平台，用于模型管理和数据共享。
AI Agent：
- 了解 AI Agent 的概念及其应用，尤其是功能调用与第三方应用结合。
大模型性能评测：
- 掌握大模型性能评测的关键指标和方法。