路线总览Overview
整体思路：先补工具与数学直觉 → 理解机器学习范式 → 攻克深度学习与 Transformer 核心 → 最后把 8 年工程经验放大到大模型应用。
每阶段都以一个「可运行成果」收尾，确保学完会用，而不是只听过概念。
PHASE 1 · 4 周 · 40h
基础补课
★★☆☆☆
Python + 数学直觉
产出：手写线性回归
PHASE 2 · 6 周 · 60h
机器学习入门
★★★☆☆
理解「学习」范式
产出：Kaggle 入门赛
PHASE 3 · 8 周 · 80h
深度学习核心
★★★★☆
神经网络 → Transformer
产出：训练 mini GPT
PHASE 4 · 6 周 · 60h
大模型实战
★★★★☆
微调 · RAG · 部署
产出：LLM 应用上线
阶段速览对比Comparison
| 维度 | Phase 1 基础补课 | Phase 2 机器学习 | Phase 3 深度学习 | Phase 4 大模型实战 |
|---|
| 时长 | 4 周 | 6 周 | 8 周（核心攻坚） | 6 周 |
| 学时 | ≈ 40h | ≈ 60h | ≈ 80h | ≈ 60h |
| 难度 | ★★☆☆☆ 入门 | ★★★☆☆ 中等 | ★★★★☆ 较难 | ★★★★☆ 工程导向 |
| 核心产出 | Python 数值计算能力 | 端到端 ML 小项目 | mini GPT 训练成功 | LLM 应用交付上线 |
| Java 经验杠杆 | 低（新语言） | 中（测试/验证思维） | 中高（工程化思维） | 高（直接复用） |
| 投入节奏 | 10h/周 | 10h/周 | 10h/周 | 10h/周 |
PHASE 1
基础补课
4 周 · ≈40 学时 · 难度 ★★☆☆☆
🎯 阶段目标：扫清 Python 与数学两道门槛，建立「用 Python 做数值计算」的实战能力。数学只求「够用」——用可视化建立直觉，不啃大部头。
知识节点清单
学时分配
推荐资源
- 廖雪峰 Python 教程免费中文 语法速成首选，直接跳过与 Java 重复的内容
- 3Blue1Brown《线性代数的本质》《微积分的本质》免费B站中文强烈推荐 数学一般的同学靠它建立直觉，比教材高效 10 倍
- NumPy 官方 Quickstart + 《利用 Python 进行数据分析》第 4–5 章免费 Pandas 部分 6h 可扫完
- 《程序员的数学 2：概率统计》中文 或可汗学院概率论（免费）二选一
- 3Blue1Brown《深度学习》系列第 1 集免费 熵与交叉熵的可视化直觉，为损失函数铺路
💡 Java 优势迁移：Python 语法 3 天内可上手（概念与 Java 全互通）；pip/venv ≈ Maven/Gradle 的依赖管理心智；对象、集合、异常处理全部照搬。
手写最小二乘线性回归。用 Python + NumPy 从零实现梯度下降版线性回归，在真实数据集上拟合出直线并用 Matplotlib 画出，跑通「数据 → 模型 → 训练 → 可视化」闭环。
PHASE 2
机器学习入门
6 周 · ≈60 学时 · 难度 ★★★☆☆
🎯 阶段目标：理解「学习」这件事本身——数据、模型、损失、优化、评估的完整闭环。不贪多，把回归、梯度下降、评估搞透，这是深度学习的地基。
知识节点清单
学时分配
推荐资源
- 吴恩达《Machine Learning Specialization》免费旁听首选 数学门槛最低、讲得最清楚，本阶段主线课程
- 《Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow》第 1–7 章有中文版 代码导向，和主线课程搭配动手
- scikit-learn 官方 User Guide免费 当「官方文档」查，类比查 Spring 文档的习惯
- Kaggle 入门赛 Titanic + 官方课程《Intro to Machine Learning》免费 阶段末实战用
- 李航《统计学习方法》/ 周志华《西瓜书》中文 数学一般建议本阶段只浏览概念，回头再精读，避免劝退
💡 Java 优势迁移：train/val/test 划分 ≈ 测试环境分级（dev/staging/prod）；交叉验证 ≈ 多环境验证；特征工程 ≈ 数据库字段设计；Pipeline ≈ 责任链模式。
完成一个端到端 Kaggle 入门赛。用 Pipeline 构建模型并提交结果，F1 或 AUC 超过 baseline，写一篇 300 字以内的实验复盘（做了什么、为什么、还能怎么改进）。
PHASE 3
深度学习核心
8 周 · ≈80 学时 · 难度 ★★★★☆
🎯 阶段目标：真正的攻坚段。从梯度、反向传播一路走到 Transformer——亲手实现架构、亲手训练一个小语言模型。这一阶段决定了你对 LLM 的理解是「会调 API」还是「懂原理」。
知识节点清单
学时分配
Attention 与 Transformer 18h
推荐资源
- 《动手学深度学习》(d2l.ai) PyTorch 版免费中文核心教材 精读第 4–13 章，配李沐 B 站视频课
- 3Blue1Brown《深度学习》系列免费 神经网络与反向传播的可视化，2–3 小时建立直觉
- Andrej Karpathy《Neural Networks: Zero to Hero》+「Let's build GPT」免费强烈推荐 从零写代码造出 GPT，全程可跟
- 《The Annotated Transformer》(哈佛)免费强烈推荐 逐行注解 Transformer，配合代码阅读
- PyTorch 官方 Tutorials免费 当 API 手册查
💡 Java 优势迁移：PyTorch 训练循环 ≈ 理解框架生命周期；显存/吞吐估算 ≈ 服务容量规划；网络结构模块化 ≈ 设计模式思维；batch 训练 ≈ 批量任务处理。
训练出一个 mini GPT。用 nanoGPT 在莎士比亚或中文语料上训练，能生成通顺的续写文本；并做到「不看资料、对着白板把 Transformer 每层讲清楚」。顺带理解 LoRA 为什么能省显存——为 Phase 4 铺路。
PHASE 4
大模型实战
6 周 · ≈60 学时 · 难度 ★★★★☆
🎯 阶段目标：把 8 年后端经验放大到大模型上——提示词、推理部署、LoRA 微调、RAG、Agent，交付一个能上线给用户用的 LLM 应用。这一阶段你是「带着工程武器入场」的人。
知识节点清单
学时分配
推荐资源
- Hugging Face 官方课程免费 生态全景，中文社区有翻译版
- DeepLearning.AI Short Courses免费 《ChatGPT Prompt Engineering for Developers》《Building RAG from Scratch》
- 《大模型应用开发极简入门》/《LLM Engineer's Handbook》中文 工程视角的系统书，二选一精读
- Karpathy「State of GPT」演讲 + 李沐《如何评估/使用大模型》系列免费B站中文 视野与评估方法论
- Qwen 官方 GitHub + vLLM / Ollama / LangChain 官方文档免费 当工程手册查，类比查 Spring 生态文档
💡 Java 优势迁移（本阶段全面爆发）：RAG 的索引/检索 ≈ 数据库索引与查询优化；vLLM 部署 ≈ 高并发服务调优；FastAPI 封装 ≈ Spring Boot 工程实践；Agent 工具调用 ≈ 服务间调用与编排；限流/监控 ≈ 你每天在做的事。
交付一个可访问的 LLM 应用。二选一：(A) 基于内部文档的 RAG 问答服务（FastAPI + vLLM + 向量库，含量化部署、接口文档、效果评估）；(B) 用 QLoRA 微调一个领域小模型并部署上线。
学习建议How to Use This Roadmap
- 每周节奏：工作日 1–1.5h/天 + 周末 4–6h，合计约 10h。别突击，细水长流比熬夜有效。
- 数学「够用即可」：以 3Blue1Brown 建立直觉为主，不啃大部头教材；用到什么再回头补什么，别让数学劝退。
- 代码优先：每个阶段必须有一个可运行的成果（本路线共 3 个里程碑），「看过」不等于「会了」。
- Java 视角做迁移：每学一个新概念，先问「这个在 Java 世界里像什么」，用已有经验锚定新知识。
- 对照打勾：每个知识节点完成后在文档中打勾；完成阶段里程碑后再进入下一阶段，别跳。
- 留好笔记：用 Obsidian 或 Markdown 维护学习笔记，每周花 30 分钟整理——这是你面试/写方案时的弹药库。