AI 工程：动手实践 – 本仓库提供的内容

TL;DR

一个自主学习、基于笔记本的课程，从机器学习的数学基础，逐步引导你构建现实世界的 AI 服务（RAG、OCR、API 提供的模型）。所有内容均以 Jupyter 笔记本或小型 Python 项目形式呈现，拥有清晰的文件夹结构和推荐学习路径。

适合人群

需要从微积分到深度学习的系统性学习路径的初学者。
希望填补 LLM 相关技能空白（RAG 流水线、微调、部署）的工程师。
偏好动手编码而非纯理论教程的任何人。

你将实际获得的内容

部分	核心内容	典型可运行输出
1. 数学基础	导数、向量、梯度、概率。	直接用于后续 PyTorch 代码的笔记本式计算。
2. PyTorch 基础	张量创建、重塑、索引、基本操作。	操作张量的小脚本——任何模型的构建基石。
3. 神经网络（NN）	实现单个神经元、堆叠层、反向传播笔记。	从零开始构建的最小前馈网络（无库魔法）。
4. Transformer	注意力机制、多头注意力、仅解码器架构。	在笔记本中组装一个微型 Transformer 并运行前向传播。
5. 检索增强生成（RAG）	端到端流水线：文档分块、模型嵌入、存储于 FAISS、检索、通过可配置的 LLM 提供商（Atlas Cloud、MiniMax、OpenAI、兼容 API）生成答案。	可运行的 `app.py`，使用提供的 FAISS 索引回答网络安全问题。
6. OCR	图像预处理 + 文本提取（pytesseract + Gemini）。	小型 FastAPI/Render 就绪服务（`main.py`），返回上传图像中的提取文本。
LLM 基础	Token、嵌入、分词理论。	补充 RAG 部分的笔记本说明。
微调	LoRA、QLoRA、Unsloth 笔记本。	展示如何在小型 JSON 提取数据集上适配基础 LLM 的脚本。
基础机器学习模型	线性、岭、逻辑回归、决策树、SVM、聚类。	快速实验的经典 scikit-learn 笔记本。
深度学习生产项目	ANN/CNN、RNN/LSTM、GRU 示例，通过 FastAPI 或 Streamlit 提供，已 Docker 化。	可通过 `python train.py` 启动，再运行 `uvicorn app.main:app` 的完整功能 API。
数据分析与工具	电商数据集探索、YouTube 字幕服务器、面试准备清单、书单。	用于练习和背景补充的额外资源。

如何开始

克隆并安装 顶层 requirements.txt。
启动 Jupyter（jupyter lab 或 jupyter notebook）。
按照 Start_here/learning_path.md 中的学习路径，按顺序运行笔记本 1 → 2 → 3 → 4。
到达项目文件夹（RAG、OCR、DL）时，阅读其本地 README.md，在运行提供的 app.py 或 train.py 前安装额外依赖。

显著优势

端到端覆盖 – 从理论到部署服务，全部在一个仓库中完成。
模块化结构 – 可自由选择部分（如仅 RAG 流水线），无需浏览无关代码。
真实世界示例 – RAG 用例（网络安全文档）和 OCR 服务均为即开即用的演示。
生产风格代码 – FastAPI/Streamlit 包装器、Dockerfile 和测试，让你体验模型从笔记本到服务的迁移过程。

潜在缺点

仓库较大；若仅需单一主题，下载全部内容可能过于冗余。
部分笔记本假设你熟悉基础 Python/NumPy；绝对初学者可能需要快速复习。
NN 部分列出的“Muon”优化器并非标准 PyTorch 优化器——可能是拼写错误，或未在其他地方记录的自定义实现。

谁在维护？

作者 Ramakm（GitHub 用户名）在 X 和 Instagram 上推广该项目。仓库采用 MIT 许可证，欢迎贡献，且对笔记本整洁度和 PR 风格有明确指南。

总结

如果你希望获得一个单一、连贯的课程，从数学基础一路学到构建和部署 LLM 增强型应用，这个仓库正是你所需要的，提供可运行代码和清晰文档。

快速启动命令（克隆后）：

pip install -r requirements.txt   # 基础依赖
jupyter lab                      # 打开笔记本

然后按照 Start_here/learning_path.md 指南进行。

Ramakm/AI-Engineering