Si comienza a aprender aprendizaje automático en 2026, es fácil tener la ilusión de que:

Hay demasiada información, pero muy pocas personas realmente saben "qué aprender primero y qué aprender después ".

Es probable que haya coleccionado un montón de lecciones, descargado varios libros de texto clásicos y haya visto muchos videos de "Aprender AI en 30 días". Sin embargo, después de aprender por un tiempo, todavía encontrará varios problemas típicos:

• Python escribe un poco, pero realmente no maneja proyectos de aprendizaje automático;
• Conocer los términos de regresión lineal y redes neuronales, pero no saber por qué son efectivos;
• Las fórmulas matemáticas entienden los símbolos individuales, pero no saben lo que está haciendo la fórmula en su conjunto.
• Llamará a PyTorch, pero no sé cómo solucionar el error de forma de tensor;
• Después de seguir el tutorial para entrenar el modelo, pero después de dejar el tutorial no hará el proyecto por sí mismo;
• Después de tomar un curso, descubre que la mayor parte del contenido se ha olvidado después de unos meses.

La verdadera dificultad a menudo no es la falta de material de aprendizaje, sinoHay un problema con el orden de aprendizaje。

Un reciente artículo de ruta de aprendizaje de aprendizaje de máquina publicado en Reddit también hizo un punto de vista similar: uno de los problemas centrales del autoaprendizaje de aprendizaje de máquina es que una gran cantidad de conocimiento es pre-dependiente entre sí. El problema de. De acuerdo con la inversión de aprendizaje de aproximadamente 8 a 10 horas por semana, el autor dividió la ruta en varias etapas.

A continuación, reorganizamos esta ruta en una hoja de ruta de aprendizaje automático más adecuada para los estudiantes en 2026.

---

Paso 1: Aprender a aprender Python para aprender con máquinas.

¿Por qué no aprender IA directamente?

La primera respuesta de muchos principiantes es:

"Quiero aprender ChatGPT, Transformer y Big Model ".

Sin embargo, si no aprende los fundamentos de Python y luego aprende PyTorch, procesamiento de datos, entrenamiento de modelos, se enfrentará a dos problemas al mismo tiempo:

Uno es un problema de aprendizaje automático y el otro es un problema de programación.

Esto hace que el aprendizaje sea exponencialmente más difícil.

Por lo tanto, el objetivo de la primera etapa no es convertirse en un experto en Python, sino:

Dominar Python lo suficiente como para leer, escribir y depurar código de aprendizaje automático.

Se centrará en dominar los siguientes contenidos:

1. Sintaxis básica de Python

Incluyen:

• Variable
• Número
• String
• Valor booleano
• None
• Juicio condicional
• Ciclo
• Lista
• El Tuple
• Colección
• Diccionario

Especialmente los diccionarios.

Un gran número de configuraciones, estructuras de datos, parámetros del modelo y resultados experimentales en proyectos de aprendizaje automático utilizan diccionarios o estructuras de datos similares.

2. Funciones

Es necesario entender:

• Parámetros y valores de retorno
• Parámetros default
• *args
• **kwargs
• Alcance
• Lambda
• Tipos de prompte

No te conformes con "llamar a la función ".

Debería ser capaz de ver una función extraña, juzgar aproximadamente:

¿Qué datos acepta?¿Qué datos se devuelven?¿Cuándo puede salir mal?

3. Objeto orientado

No es necesario profundizar en los patrones de diseño desde el principio, pero al menos entender:

• Clase
• Objeto
• Herencia
• Método
• __init__
• Clase de datos
• Métodos comunes Dunder

La razón es muy simple:

El modelo de PyTorch utiliza clases en gran medida.

Si no entiendes las clases de Python en absoluto, ve nn.Module Es fácil crear una carga cognitiva adicional.

4. Documentación y procesamiento de datos

Dominar como mínimo:

• Documento de lectura y escritura
• pathlib
• JSON
• El CSV
• Módulo e importación
• El entorno virtual
• Gestión de paquetes

En particular, el entorno virtual.

Cuando muchos principiantes realmente hacen proyectos de aprendizaje automático por primera vez, no se encuentran con problemas de modelo, sino con:

"¿Por qué mi computadora funciona y no funciona en un entorno diferente?

La gestión ambiental es una capacidad de ingeniería en sí misma.

5. Cadena de herramientas de ciencia de datos Python

Familiarizarse con:

• Número
• Los pandas
• Scikit-Learn
• El PyTorch

Para llegar aquí, no necesitas ser un experto en Python.

Su objetivo debe ser:

Puede leer un proyecto de aprendizaje automático ordinario de forma independiente y modificar el código en él.

---

Fase 2: Aprender las matemáticas que realmente necesita el aprendizaje automático

Las matemáticas son la parte más malinterpretada de la ruta de aprendizaje de aprendizaje automático.

Algunas personas dicen:

"El aprendizaje automático no requiere matemáticas, puede llamarse directamente a la biblioteca ".

Algunos también piensan que:

"Debe aprender primero todas las matemáticas superiores, álgebra lineal y teoría de la probabilidad ".

Ambos puntos de vista son fáciles de desviar a los principiantes.

Objetivos más prácticos son:

Aprender matemáticas capaces de explicar los modelos, las funciones de pérdida, los procesos de optimización y los resultados de evaluación.

El artículo original divide las matemáticas en fundamentos de símbolos matemáticos, álgebra lineal, cálculo y optimización, estadísticas probabilísticas, teoría de la información y cálculo numérico, etc.

---

1.Álgebra lineal: uno de los lenguajes para el aprendizaje automático

Esta es la dirección matemática en la que más vale la pena invertir tiempo.

Es necesario entender:

• Escalar
• Vector
• Matriz
• El tensor
• Punto
• Multiplicación matricial
• Transposición
• Normalidad
• Ortogonal
• Proyección
• Valor propio
• Vector característico
• SVD
• Aproximación de rango bajo

¿Por qué es importante?

Porque uno de los cálculos más básicos de las redes neuronales es:

Multiplicación de matrices + funciones no lineales.

Por ejemplo:

y = Wx + b

Si realmente entiendes esto, W、x、b Lo que representan respectivamente, ya está empezando a entender la estructura interna de la red neuronal.

En lugar de pensar en las redes neuronales como una misteriosa caja negra.

---

Cálculo y optimización: entender por qué los modelos aprenden

El proceso de entrenamiento en el aprendizaje automático, en esencia, busca:

¿Cómo puedo modificar los parámetros para hacer que la función de pérdida sea más pequeña?

Esto requiere cálculos y optimización.

Los enfoques incluyen:

• Derivados
• Derivados parciales
• Gradiente
• Jacobiano
• Hessian
• Regla de la cadena
• Despliegue de Taylor
• Función convexa
• Mínimo local
• El Saddle Point
• Diferenciación automática
• Propagación inversa

Algunos de los conceptos más importantes son:

Gradientes, reglas de cadena, propagación inversa.

Si entiendes:

loss
 ↓
gradient
 ↓
parameter update

Entonces comenzarás a entender lo que significa exactamente "entrenar una red neuronal ".

---

Probabilidad y estadística: comprender la incertidumbre de los datos y los modelos

El aprendizaje automático no se trata solo de matrices.

Los datos a los que se enfrenta el modelo tienen incertidumbre en sí mismos.

Por lo tanto, es necesario comprender:

• Variables aleatorias
• Distribución de probabilidad
• Probabilidad condicional
• Probabilidad conjunta
• Probabilidad Edge
• Teorema de Bayes
• Expectativa
• Varianza
• Covarianza
• Distribución normal
• Estimación de máxima verosimilitud
• Mapa
• Intervalo de confianza
• Prueba de hipótesis
• El Bootstrap

En particular, es necesario entender:

Las funciones de pérdida tienden a estar relacionadas con alguna suposición probabilística.

Por ejemplo, existe una relación entre el error cuadrado medio y la hipótesis de ruido gaussiano, mientras que la entropía cruzada en la tarea de clasificación también se puede entender desde el punto de vista del modelado probabilístico.

Una vez que entiendes esto, "por qué esta tarea usa esta pérdida" ya no es solo una fórmula de memoria.

---

Teoría de la información y computación numérica: no descuides estos "pequeños conocimientos"

En el aprendizaje automático a menudo se utilizan:

• Entropy
• Entropia cruzada
• La divergencia KL
• Información mutua

Estos conceptos son muy comunes en el aprendizaje profundo moderno.

¿Por qué los modelos de clasificación a menudo usan entropía cruzada?

Si entiendes la entropía, la distribución de probabilidad y la máxima verosimilitud, puedes entenderla en principio, no de memoria:

"Clasificación = Entropia cruzada. "

Al mismo tiempo, también debe entender algunos problemas de cálculo numérico:

• Punto flotante
• Overflow
• El Underflow
• El NaN
• Log-sum - exp
• Estabilidad numérica

Debido a que el modelo de entrenamiento real, a menudo aparece:

loss = NaN

En este momento, no es suficiente saber que el "descenso del gradiente".

---

Fase 3: Aprende PyTorch, pero primero aprende Tensor

La forma en que muchas personas aprenden PyTorch es:

Encuentre un tutorial de CNN → Copie el código → Run.

Este enfoque le permite obtener un resultado rápidamente, pero no necesariamente le permite entender realmente PyTorch.

Una mejor manera de hacerlo es entender primero el tensor.

Enfoque en:

• ¿Qué es el Tensor
• Shape
• dtype
• Dispositivo
• Reshaped
• indexado
• Radiodifusión
• Multiplicación matricial
• Reducción
• Ver y copiar
• Autograd
• Convertir NumPy a PyTorch
• GPU y CPU
• Número aleatorio y reproducibilidad

En particular, Shape。

Por ejemplo:

(batch, sequence, features)

Debería ser capaz de explicar de inmediato:

• ¿Qué es un batch?
• ¿Qué es la secuencia?
• ¿Qué son las características?
• Si cambiamos la dimensión, ¿el modelo todavía puede ser aceptable?

Muchos errores de aprendizaje profundo no son "algoritmos que no lo harán ", sino:

La forma del tensor es incorrecta.

---

Fase IV: Entrar realmente en los fundamentos del aprendizaje automático

Aquí es donde comienza a entrar en el corazón del aprendizaje automático.

Esta etapa se puede dividir en cinco partes.

---

Parte 1: Comience con una neurona

Primero entender:

• ¿Qué es un modelo?
• ¿Qué son los parámetros
• ¿Qué es la pérdida
• ¿Qué es un optimizador?
• Aprendizaje supervisado
• Aprendizaje no supervisado
• Aprendizaje semi-supervisado
• Aprendizaje auto-supervisado
• Aprendizaje reforzado

Comience con el modelo más simple:

Regresión lineal

Necesitas comprender:

¿Cómo genera el modelo una predicción basada en la entrada?

Luego aprender:

• MSE
• El MAE
• El RMSE
• Pérdida de Huber

Pasamos a la clasificación:

• Sigmoide
• Regresión logística
• Entropia cruzada binaria
• Softmax
• Clasificación multiclase
• Clasificación multietiqueta

Este paso es importante.

Porque establece un marco que se extiende a través de todo el aprendizaje profundo:

数据
 ↓
模型
 ↓
预测
 ↓
Loss
 ↓
Gradient
 ↓
更新参数
 ↓
重复

---

De una neurona a una red neuronal profunda

A continuación entra:

Multilayer Perceptron, o MLP.

Entendimiento:

• Layer
• capa oculta
• Width
• profundidad
• Parámetro
• Hiperparámetro
• Función de activación

Luego aprender:

• paso
• Sigmoide
• tanh
• Relu
• El Leaky ReLU
• El Gelu

¿Por qué es necesario activar la función?

Porque si cada capa es sólo una transformación lineal, entonces no importa cuántas capas hay en la pila, todavía se pueden fusionar en una transformación lineal esencialmente.

Así que:

La función de activación no lineal es una de las razones importantes por las cuales las redes neuronales profundas pueden aprender funciones complejas.

---

Entrenamiento de redes neuronales: la verdadera competencia central

Ser capaz de escribir una red neuronal no significa que ser capaz de entrenar una red neuronal.

Lo siguiente es entender el optimizador.

El orden de aprendizaje puede ser:

Gradient Descent
        ↓
SGD
        ↓
Momentum
        ↓
AdaGrad
        ↓
RMSProp
        ↓
Adam
        ↓
AdamW

Entre ellos, se debe prestar especial atención:

Tasa de aprendizaje

La tasa de aprendizaje suele ser uno de los hiperparámetros muy críticos en el proceso de entrenamiento.

Demasiado gran:

loss → 爆炸

demasiado pequeño:

loss → 几乎不动

Por lo tanto, debes comprender:

• Tasa de aprendizaje
• Tasa de aprendizaje Calendario
• El warmup
• Desintegración cosino
• Step decay

en lugar de simplemente poner:

lr=0.001

Es la respuesta correcta para siempre.

---

Aprender a ver la curva de pérdida

Esta es la capacidad más fácil de ignorar en muchos tutoriales, pero que realmente funciona muy importante.

Asunción:

Train Loss ↓
Validation Loss ↓

Por lo general, el entrenamiento está avanzando normalmente.

Sin embargo, si

Train Loss ↓
Validation Loss ↑

Deberías pensar en esto:

Puede haber ocurrido un sobreajuste.

Si ambos son altos, puede estar presente:

• El modelo es demasiado simple
• Inadecuado entrenamiento
• Problemas característicos
• Tasa de aprendizaje
• Problemas de datos

Por lo tanto, la verdadera capacidad de aprendizaje automático no es

"Ejecutaré el código de entrenamiento ".

sino que:

Después de ver los resultados del entrenamiento, sé lo que debo comprobar a continuación.

---

Generalización: si el modelo puede funcionar en el mundo real

Una puntuación alta en un conjunto de entrenamiento no significa que el modelo sea realmente bueno.

Lo que realmente importa es:

¿Cómo se comportan los modelos frente a datos que no han visto antes?

Por lo tanto, es necesario comprender:

• Generalización
• El overfitting
• Insuficiencia
• Bias-Varianza
• Regularización
• Peso decay
• L1
• dropout
• Etiqueta Smoothing
• Detener temprano
• Búsqueda de hiperparámetros

También hay que entender una cuestión muy importante:

Fuga de datos

Si la información del conjunto de pruebas entra inesperadamente en el proceso de entrenamiento, el resultado final de la prueba puede no tener sentido en absoluto.

Esta es también la razón por la que los proyectos de aprendizaje automático no pueden simplemente perseguir una buena precisión.

---

Modelo de evaluación: no solo mire la precisión

Diferentes tareas requieren diferentes métricas.

Las preguntas de clasificación se pueden utilizar:

• Precisión
• Precisión
• Recuerdo
• F1
• Matriz de confusión
• ROC-AUC
• PR-AUC
• MCC

El problema de regresión se puede utilizar:

• El MAE
• MSE
• El RMSE
• R2
• Mapa

El problema más importante no es:

¿Cuál es el indicador más alto? "

sino que:

"¿Esta métrica realmente refleja los problemas que el modelo está tratando de resolver? "

Por ejemplo, en un conjunto de datos con un desequilibrio de categoría grave, la mera precisión puede ser engañosa.

Se supone que el 99% de las muestras pertenecen a la categoría A.

El modelo no hace nada más que predecir A:

Accuracy = 99%

Parecía alto.

Pero el modelo puede no identificar por completo la clase B que realmente importa.

Por lo tanto, antes de evaluar el modelo, es necesario comprender:

¿Cuáles son los objetivos de negocio?

---

13, más allá del modelo, también aprender los indicadores de ingeniería

En el entorno real, un modelo no solo mira la precisión.

También es necesario considerar:

• Cantidad de parámetros
• Modelo de tamaño
• Flops
• latencia
• Throughput
• Memoria
• Costo de razonamiento
• Entorno de despliegue

Un modelo con una tasa de precisión ligeramente mayor puede no ser adecuado para aplicaciones prácticas si el costo de razonamiento es decenas de veces mayor.

Por lo tanto, el aprendizaje automático eventualmente va a partir de:

¿El modelo funciona? "

Avanzando hacia:

¿Puede el modelo funcionar de manera estable, rápida y a bajo costo?

---

Quinta etapa: elegir su propia dirección

Una vez que haya completado los fundamentos del aprendizaje automático, no continúe aprendiendo "todo el AI" ilimitadamente.

Porque en esta etapa, los campos se bifurcan rápidamente.

---

Dirección 1: Procesamiento del lenguaje natural NLP

Puede continuar aprendiendo:

• Tokenización
• Embedding
• Modelado de lenguaje
• Atención
• Transformador
• Fine-tuning
• Recuperación
• El LLM
• Evaluaciones

Esta ruta será muy importante si desea avanzar más en la IA generativa.

---

Dirección 2: Visión por ordenador

Se puede aprender:

• Procesamiento de imágenes
• CNN
• Representación Aprendizaje
• Detección de objetos
• Imagen Segmentación
• Transformador de visión
• Modelos Multimodal

---

Dirección 3: Aprendizaje intensivo

Sigue aprendiendo:

• Proceso de decisión de Markov
• Función Valor
• Política de
• El Q-Learning
• Gradiente político
• Actor-Crítico
• Aprendizaje de refuerzo profundo

---

Dirección 4: Agente AI y AI de aplicación

El aprendizaje de IA en 2026 también puede ir más allá:

• Herramienta de llamadas
• RAG
• Arquitectura Agente
• Workflow
• Memoria
• Evaluaciones
• Sistemas multi-agentes
• Ingeniería de aplicaciones AI

Pero aquí está un principio clave:

No te saltes por completo los fundamentos del aprendizaje automático solo porque aparecen conceptos populares como Agente y LLM.

Si tu objetivo es hacer aplicaciones de IA, ciertamente no es necesario aprender todas las matemáticas al nivel de un investigador.

Pero si su objetivo es comprender el modelo, entrenar el modelo, depurar el modelo o incluso realizar una investigación, la importancia de los conocimientos básicos sigue siendo.

---

15, preguntas que son realmente fáciles de pasar por alto: ¿Cómo no olvidar después de aprender?

Esta es probablemente una de las preguntas más importantes de toda la ruta.

Muchas personas tienen esta experiencia:

"Claramente he aprendido redes neuronales, ¿por qué ahora quiero explicar la propagación inversa, no puedo decirlo claramente? "

Debido a:

Comprender ≠ dominar.

Al ver el video, sientes:

"Estoy muy contento ", dijo.

Pero después de unas semanas, es posible que solo te quede una impresión vaga.

Los métodos que realmente funcionan:

1. Hacer el tema

No solo mire el código.

Las preguntas conceptuales son igualmente importantes.

Por ejemplo, después de aprender el descenso del gradiente, intente responder:

¿Qué sucede si aumenta la tasa de aprendizaje?

¿Por qué pueden desaparecer los gradientes?

¿Por qué Adam actúa de manera diferente a SGD?

---

2. Revisión intervalada

No aprendas 10 horas al día y luego no toques durante un mes.

Una manera más efectiva es:

第一次学习
↓
几天后复习
↓
一两周后再次复习
↓
一个月后重新测试

Especialmente para el contenido que una vez respondió incorrectamente, debe aumentar la frecuencia de revisión.

---

3. El código importante debe ser escrito por usted mismo.

Por ejemplo:

• Entrenamiento Loop
• Función de pérdida
• Evaluación Loop
• Preprocesamiento de datos
• Punto de control
• métricas

No confíes en copiar y pegar para siempre.

Debería tener al menos una vez:

En absoluto sin ver el tutorial y comenzar a escribir con un archivo vacío.

---

16 No esperes a que termines de aprender antes de comenzar un proyecto.

Esta es una de las trampas más comunes del aprendizaje automático.

Alguien planea:

Python
↓
数学
↓
机器学习
↓
深度学习
↓
Transformer
↓
LLM
↓
终于开始做项目

El problema es:

Esto puede tomar mucho tiempo.

Una mejor manera de hacerlo es:

Aprender los conceptos básicos mientras sigue haciendo proyectos cada vez más complejos.

Por ejemplo:

Punto 1: Regresión lineal

Previsión de precios.

Aprender:

• Datos
• Característica
• Pérdida
• Descenso gradiente
• Evaluación

Punto 2: Clasificación

Predicir si se pierden usuarios.

Aprender:

• Regresión logística
• Precisión
• Recall
• F1
• Matrix de confusión

Punto 3: Clasificación de imágenes

como el CIFAR - 10.

Aprender:

• CNN
• DataLoader
• aumento
• Entrenamiento Loop
• Validación

Punto 4: Clasificación de textos

como el análisis de emociones.

Aprender:

• Tokenización
• Embeddings
• Modelado de secuencia
• Transformador

Punto 5: Aplicación completa de AI

Por ejemplo:

用户问题
   ↓
Retriever
   ↓
Relevant Documents
   ↓
LLM
   ↓
Answer
   ↓
Evaluation

En este momento, comienza a estar en contacto no solo con el modelo, sino con el sistema completo de IA.

---

Un calendario de aprendizaje más realista para 2026

Si puedes dedicar entre 8 y 10 horas a la semana, puedes entender todo el proceso como un proyecto a largo plazo en lugar de un "curso acelerado ".

Un ritmo de referencia es el siguiente:

Fase	Enfoque	Tiempo de referencia
Primera etapa	Python	3 - 5 semanas
Fase II	Matemáticas básicas	6 - 10 semanas
Tercera etapa	El PyTorch	Aproximadamente 2 semanas
Cuarta etapa	Fundamentos de ML / Deep Learning	10 - 14 semanas
Fase 5	Dirección profesional	Aprendizaje continuo
Fase del proyecto	Combate real y portfólio	Sincronizar con el aprendizaje

Estos tiempos no son una cuenta regresiva para el examen.

Las personas con una sólida base en matemáticas pueden ser más rápidas, mientras que las personas sin experiencia en programación pueden tardar más tiempo. La estimación de tiempo dada por el artículo original también se basa en unas 8 a 10 horas por semana y en la suposición de que realmente se realiza el ejercicio.

---

Por último, no convierta la "ruta de aprendizaje " en una nueva forma de procrastinar.

El estado más peligroso de aprendizaje no es "no saber qué aprender ".

sino que:

Siempre en busca de la próxima clase.

Puede que estés buscando constantemente:

• Las mejores clases de Python
• Las mejores clases de matemáticas
• Las mejores clases de ML
• El mejor tutorial de PyTorch
• El mejor tutorial de Transformers
• Los mejores programas LLM

Al final se recogieron 50 lecciones sin completar un solo proyecto.

Las rutas de aprendizaje verdaderamente efectivas deben ser:

学习一个概念
      ↓
写代码
      ↓
做练习
      ↓
遇到问题
      ↓
查资料
      ↓
解决问题
      ↓
重新实现
      ↓
做项目
      ↓
复习

En lugar de:

看视频
↓
看更多视频
↓
收藏课程
↓
看路线图
↓
重新寻找路线图

---

Conclusión: Aprender aprendizaje automático en 2016, lo más importante no es ponerse al día con los puntos calientes

La tecnología de AI está cambiando muy rápido.

Hoy es popular Transformers, mañana puede aparecer una nueva arquitectura; hoy discutimos LLM, y en el futuro aparecerá un nuevo paradigma de modelo.

Por lo tanto, si solo aprende una herramienta específica, es fácil empezar de nuevo a medida que cambia la herramienta.

Lo que realmente vale la pena construir son las capacidades más subyacentes:

Python → Matemáticas → Tensor → Modelo → Optimización → Generalización → Evaluación → Ingeniería → Orientación Profesional

Al final, debes llegar a este estado:

Al ver un nuevo modelo, no solo te preguntarás:

¿Hay alguna lección? "

sino que puede preguntar:

• ¿Cuáles son sus entradas?
• ¿Cuál es la salida?
• ¿Qué son los parámetros?
• ¿Qué es la función de pérdida?
• ¿Por qué este diseño?
• ¿Cómo entrenar?
• ¿Cómo evaluar?
• ¿Dónde podría haber aparecido un ajuste?
• ¿Cuál es el costo del razonamiento?
• Si los resultados no son buenos, ¿por dónde comenzar?

Cuando empieces a ser capaz de responder a estas preguntas por ti mismo, ya no eres solo una persona que sabe usar herramientas de aprendizaje automático.

Realmente estás construyendo tu propia capacidad de aprendizaje automático.

En lugar de memorizar todos los 350 conceptos, el aprendizaje automático construye una red de conocimiento para que cada nuevo concepto aprendido sepa por qué existe, de qué depende y dónde debe funcionar.

Ese es el objetivo más importante para el aprendizaje automático en 2026.