Python AI 实战（04/20）：机器学习、深度学习、大模型先学哪个？正确学习顺序

Python AI 实战问答速查手册 · 第 04/20 问

所属板块：学习与入门

先理清三者关系：

• 机器学习：最大的概念，泛指从数据中学习规律的算法（线性回归、决策树、SVM、聚类等）。

• 深度学习：机器学习的一个分支，用多层神经网络自动学习特征（CNN、RNN、Transformer 等）。

• 大模型（LLM）：深度学习的进阶产物——许多主流 LLM 采用 Transformer 结构，并结合大规模数据预训练，涌现出对话、推理、写代码等能力。

推荐顺序：机器学习基础 → 深度学习 → 大模型应用。

1. 机器学习基础（2~4 周）：只学核心骨架即可——回归与分类问题、训练/验证/测试流程、过拟合与欠拟合、评估指标、特征工程思想。目的不是成为 ML 专家，而是建立"模型训练"的正确心智模型。
2. 深度学习（4~8 周）：神经网络结构、反向传播、损失函数、优化器；图像看 CNN、文本看 Transformer（RNN 了解即可）。能独立训练一个简单模型（图像分类、文本分类）。
3. 大模型应用（持续）：Transformer 原理 → Prompt 工程 → 调用 API / 本地部署 → 微调（LoRA）→ RAG 与 Agent。可以从小型应用验证效果，再决定是否需要微调或复杂工作流。

注意两点：

• 不必学完机器学习再碰大模型：如果你目标是做大模型应用，学完"机器学习怎么训练评估模型 + Transformer 原理"就可以切入大模型方向，其余边做边补。

• 不要倒过来：直接上手大模型容易只会"调 API"而缺乏底层概念，遇到问题（幻觉、微调失效、评估）会无从下手。

进度参考： 上述周数只用于规划，不能保证学习结果。以能独立解释、实现并评估一个小项目作为阶段验收标准。