crashAI 学习地图
24 主题 · 从数学基础到 LLM 部署 · 完整 AI 转行知识体系
Phase A · 基础夯实
数学 + Python + 核心概念
00. 高数唤醒
从导数/偏导/链式法则到矩阵/概率，彻底搞懂AI公式里的90%高数知识
01. Python速成
从零到NumPy：Python语法、列表、字典、函数、类、NumPy向量化计算
02. 优化器
BGD/SGD/Momentum/AdaGrad/RMSprop/Adam：梯度下降算法进化史，从批量到自适应学习率，彻底搞懂优化器
03. 激活函数
Sigmoid/Tanh/ReLU/GELU/Softmax：激活函数全面详解，每层的非线性变换
04. 损失函数
MSE/MAE/交叉熵/BCE/Focal Loss/L1L2正则化：损失函数全面详解，从零概念到手算示例，为什么模型需要这些数学度量来学习
05. 训练技巧
学习率/Batch/正则化/Dropout/早期停止：让模型训练又快又稳的实用技术
1.7 数据预处理
归一化/标准化/编码/增强/清洗：从原始数据到模型输入的完整预处理流程，让数据为深度学习做好准备
Phase B · LLM 全栈
Transformer + 训练 + 评估
2.1 Transformer
Self-Attention/Multi-Head/Position Encoding：现代AI的基石——从零理解Transformer的每一个细节
2.2 Pandas数据分析
DataFrame/Series/数据清洗/聚合/分组/可视化：Python数据分析利器完全指南
2.3 Scikit-learn
分类/回归/GBDT/SHAP：经典机器学习全流程，从数据到洞察的完整工具链
2.4 RAG基础
检索增强生成：LangChain/Chroma/VectorDB/检索策略——让LLM拥有知识库的完整指南
2.5 GPT系列
GPT-1/2/3/4进化史、Scaling Laws、架构演进：解码大语言模型的发展密码
2.6 LLM训练
预训练全流程：数据清洗/Tokenization/训练策略/分布式训练
2.7 Tokenizer
BPE/WordPiece/Byte-level：文本如何变成数字——Tokenization原理与实战
2.8 指令微调与RLHF
SFT/RLHF/PPO/DPO：让LLM从“会说话”到“说好话”
2.9 LLM评估
Perplexity/BLEU/ROUGE/HumanEval：如何科学评价大语言模型
2.10 AIGC
Text2Image/Image2Image/Text2Video：AI生成内容的原理与应用
Phase C · 应用部署
Agent + RAG + 产品化
3.1 Agent
ReAct/Tool使用/Planning：让LLM从聊天机器人变成智能助手
3.2 多Agent协作
Multi-Agent系统/协作模式/通信/工作流编排
3.3 RAG高级
混合检索/重排序/查询分解：让RAG从能用变好用
3.4 多模态与格式处理
PDF/Word/Excel/图片/音频/视频：非结构化数据如何喂给AI
3.5 工程整合指南
从原型到生产：API设计/缓存/监控/日志/测试/部署
3.6 MLOps
模型版本管理/CI-CD/监控/A-B测试：AI系统的持续运维
3.7 前沿探索
MoE/长上下文/世界模型/具身智能：AI的下一个前沿
3.8 资源汇总
学习路径、论文、工具、社区：CrashAI课程资源导航
Phase D · 安全领域专项
汽车安全 AI · 4 大训练路径
D1. Transformer 数学原理（自底向上）
从线性代数到 Self-Attention，3 小时彻底搞懂 Transformer 数学
D1.1 Self-Attention 公式（必背）
理解 Attention(Q,K,V) = softmax(QK^T / sqrt(d_k)) V 的每个符号
D1.2 20 行 PyTorch 手写 Self-Attention
从公式到代码，亲手实现一个可运行的 Self-Attention 层
D1.3 Multi-Head Attention（多头）
为什么不是 1 个注意力而是 8/16/32 个？
D1.4 LayerNorm + 残差连接
为什么训练 100 层不崩？
D1.5 Causal Mask（因果掩码）
GPT 必须用，理解单向语言模型的训练机制
D2.1 PyTorch Tensor + 自动求导
PyTorch 两大基石：Tensor 和 Autograd
D2.2 nn.Module + 标准训练循环
背下来的 PyTorch 训练循环模板
D2.3 GPU 显存计算（必会）
7B 模型要多少显存？24GB 消费级显卡能跑什么？
D2.4 混合精度训练（AMP）
省 50% 显存，提速 1.5-3 倍
D2.5 Gradient Checkpointing
用时间换空间，训练时省激活值显存
D2.6 DDP 分布式训练
单机 8 卡 / 多机多卡加速训练
D3.1 LoRA 原理（低秩适应）
只训练 0.1% 参数实现微调
D3.2 QLoRA（量化 + LoRA）
6GB 显存微调 7B 模型，笔记本也能跑
D3.3 DPO 直接偏好优化
RLHF 的简化版，效果等同或更优
D3.4 数据准备（质量 > 数量）
100 条 vs 10 万条，哪种更好？
D3.5 评估（如何知道微调有效？）
Loss 降但效果变差怎么办？
D3.6 实战：用 QLoRA 微调 Qwen2.5-7B
3 步实操，做出你的第一个微调模型
D4.1 汽车安全 AI 真实需求场景
4 大场景 + 对应技术栈
D4.2 RAG 入门：让 LLM 读你的 PDF
5 行代码做 RAG
D4.3 数据采集：C-NCAP / C-IASI 公开数据
爬虫 + 清洗 pipeline
D4.4 vLLM 部署模型
把模型变成 OpenAI 兼容 API
D4.5 中国 AI 合规 3 大法规
在中国部署 AI 必须知道的法规
D4.6 商业化路径
从 demo 到 ¥1000 万 ARR