2024年学习生成式人工智能的路线图

先决条件

1. Python编程语言 - 1个月

Python:

1. 完成英文的Python播放：

2. Flask播放：

3. Fast API教程：

2. 基本的机器学习自然语言处理（第1天 - 第5天）

1. 为什么需要自然语言处理(NLP)？
2. One-hot编码，词袋模型(One hot Encoding, Bag Of Words)
3. TFIDF
4. Word2Vec，AvgWord2Vec

3. 基本的深度学习概念（第1天 - 第5天）

1. 人工神经网络（ANN）- 多层神经网络的工作原理
2. 前向传播，反向传播(Forward Propogation, Backward Propogation)
3. 激活函数，损失函数(Activation Functions, Loss Functions)
4. 优化器(Optimizers)

4. 高级的自然语言处理概念（第6天 - 最后一节视频）

1. 循环神经网络（RNN), LSTM RNN
2. GRU RNN 循环神经网络
3. 双向LSTM循环神经网络（Bidirection LSTM RNN）
4. 编码器-解码器模型、注意力机制、序列到序列模型（Encoder Decoder, Attention is all you need ,Seq to Seq）
5. Transformers模型

5. 开始迈向生成式人工智能之旅（GPT4、Mistral 7B、LLAMA、Hugging Face开源LLM模型、Google Palm模型）

1. OpenAI

2. Langchain带项目的教程

3. Chainlit

4. Google Gemini

5. 向量数据库和向量存储

1. ChromaDB
2. 基于Facebook AI相似性搜索（FAISS）库的FAISS向量数据库
3. 基于Lance数据格式的LanceDB向量数据库
4. 用于存储向量的Cassandra数据库

6. 部署LLM项目

1. AWS
2. Azure
3. LangSmith
4. LangServe
5. HuggingFace Spaces

iNeuron免费社区生成式人工智能系列课程

请注意，上述路线图仅供参考，旨在帮助您学习生成式人工智能。您可以根据自己的兴趣和需求进行适当的调整和扩展。