# AI-Showcase **Repository Path**: coderwillyan/ai-showcase ## Basic Information - **Project Name**: AI-Showcase - **Description**: 机器学习-深度学习-大模型实践 - **Primary Language**: Python - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 1 - **Forks**: 1 - **Created**: 2026-03-24 - **Last Updated**: 2026-04-26 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README
# 🤖 AI Showcase：从机器学习到大模型应用 **一站式 AI 全栈学习与实践资源库 · 中文 · 理论+代码 · 即学即用** [![Python](https://img.shields.io/badge/Python-3.9%2B-blue)](https://www.python.org/) [![PyTorch](https://img.shields.io/badge/PyTorch-2.0%2B-ee4c2c)](https://pytorch.org/) [![Jupyter](https://img.shields.io/badge/Jupyter-Notebook-orange)](https://jupyter.org/) [![License](https://img.shields.io/badge/License-MIT-green)](LICENSE)
--- ## 📖 目录 - [🤖 AI Showcase：从机器学习到大模型应用](#-ai-showcase从机器学习到大模型应用) - [📖 目录](#-目录) - [🎯 项目简介](#-项目简介) - [🗺️ 学习路线图](#️-学习路线图) - [🚀 模块速览](#-模块速览) - [📂 项目结构](#-项目结构) - [🛠️ 环境准备](#️-环境准备) - [方式一：Conda（推荐新手）](#方式一conda推荐新手) - [方式二：UV（轻量高速）](#方式二uv轻量高速) - [安装依赖](#安装依赖) - [⚡ 快速开始](#-快速开始) - [🧰 核心技术栈](#-核心技术栈) - [📚 学习建议](#-学习建议) - [📎 附录资源](#-附录资源) --- ## 🎯 项目简介 本项目是一个系统性的 **AI 学习与实践资源库**，内容涵盖从**机器学习基础**到**深度学习核心应用**，再到**大模型前沿技术**的全栈知识体系。通过**理论讲解 + 可运行代码**（Jupyter Notebook）相结合的方式，为 AI 学习者提供一条结构清晰、即学即用的进阶路径。 无论你是希望建立宏观认知的初学者，还是需要快速上手大模型部署/微调/Agent 开发的工程师，都能在这里找到对应模块。 --- ## 🗺️ 学习路线图 ``` ┌─────────────────────────────────────────────────────────────────┐ │ 学习路径 │ ├─────────────────────────────────────────────────────────────────┤ │ Step 0: 原理速通 ──► 一页纸建立 AI 宏观概念 │ │ │ │ │ ▼ │ │ Step 1: 机器学习 ──► 算法基础 + Titanic 实战 │ │ │ │ │ ▼ │ │ Step 2: 深度学习 ──► 图像分类(LeNet/ResNet) │ │ │ 目标检测(YOLOv11) │ │ │ 情感分析(LSTM/NLP) │ │ │ │ │ ▼ │ │ Step 3: 大模型 ──► 3.0 理论 → 3.1 部署(vLLM/SGLang) │ │ 3.2 微调(LLaMA-Factory) │ │ 3.3 RAG(LangChain/RAGFlow) │ │ 3.4 Agent(MCP/Dify/OpenClaw) │ └─────────────────────────────────────────────────────────────────┘ ``` --- ## 🚀 模块速览 | 模块 | 核心技术 | 内容亮点 | 形式 | |------|----------|----------|------| | **0. 一页纸速通AI原理** | 神经网络、CNN、RNN、Transformer、Agent | 5 张知识图谱 + AI 头部企业深度调研报告 | 图解 + 报告 | | **1. 机器学习** | Scikit-learn、Pandas、特征工程 | Titanic 生存预测全流程实战 | Notebook | | **2.1 深度学习-图像分类** | PyTorch、LeNet-5、ResNet | 从零实现经典 CNN，MNIST/CIFAR-10 双数据集 | Notebook | | **2.2 深度学习-目标检测** | YOLOv11、目标检测 | 基于 YOLOv11 完成"剪刀石头布"检测 | Notebook | | **2.3 深度学习-情感分析** | LSTM、Word2Vec、NLP | 词向量训练 → 基于 LSTM 的情感分类 | Notebook | | **3.0 大模型理论** | LLM 基础架构、预训练、对齐 | 大模型技术原理综述 | Markdown | | **3.1 大模型-部署** | vLLM、SGLang、PD 分离、量化推理 | 推理引擎对比、生产级部署方案（含代码） | Notebook + Markdown | | **3.2 大模型-微调** | LLaMA-Factory、LoRA、SFT | 大模型高效微调一页纸速通 | Notebook | | **3.3 大模型-RAG** | LangChain、RAGFlow、向量检索 | 两种 RAG 框架的完整搭建实践 | Notebook + Markdown | | **3.4 大模型-Agent** | Function Calling、MCP、Dify、OpenClaw | Agent 协议（A2A/IoA）、MCP 实战、Dify/OpenClaw 智能体构建 | Notebook + Markdown | --- ## 📂 项目结构 ``` ai-showcase/ ├── 0.一页纸速通AI原理/ # AI 核心概念速览 + 行业调研报告 ├── 1.机器学习/ # 机器学习基础（Titanic 实战） ├── 2.1深度学习-图像分类/ # LeNet-5、ResNet 经典模型 ├── 2.2深度学习-目标检测/ # YOLOv11 目标检测实战 ├── 2.3深度学习-情感分析/ # NLP 综述 → 词向量 → LSTM 情感分类 ├── 3.0大模型理论/ # 大模型技术原理 ├── 3.1大模型-部署/ # vLLM/SGLang 推理部署与进阶优化 ├── 3.2大模型-微调/ # LLaMA-Factory 微调实践 ├── 3.3大模型-RAG/ # LangChain / RAGFlow 检索增强生成 ├── 3.4大模型-Agent/ # Agent 开发：FC / MCP / Dify / OpenClaw ├── 4.附：常用指令/ # 常用命令速查 ├── 5.附：Python开发环境搭建/ # Conda / UV / Jupyter / IDE 指南 ├── 6.附：win-wsl环境搭建/ # Windows + WSL 环境配置 ├── README.md └── 快速开始.md ``` --- ## 🛠️ 环境准备 本项目推荐使用 **Conda** 或 **UV** 管理 Python 环境（详细指引见 `5.附：Python开发环境搭建/`）。 ### 方式一：Conda（推荐新手） ```bash # 创建虚拟环境 conda create --name ai-showcase python=3.12 conda activate ai-showcase # 安装 Jupyter Kernel pip install ipykernel python -m ipykernel install --user --name=ai-showcase --display-name "Python3 (ai-showcase)" ``` ### 方式二：UV（轻量高速） ```bash # 安装 uv（如未安装） curl -LsSf https://astral.sh/uv/install.sh | sh # 创建环境并同步依赖 uv venv --python 3.12 source .venv/bin/activate ``` ### 安装依赖 各子目录下均有独立的 `requirements.txt`，进入对应模块后执行： ```bash pip install -r requirements.txt ``` > 📌 **提示**：大模型相关模块（3.1~3.4）建议使用 **Python 3.10+**，并确保具备 CUDA 环境（如需本地 GPU 推理）。 --- ## ⚡ 快速开始 ```bash # 1. 克隆仓库 git clone <仓库地址> cd ai-showcase # 2. 按上述"环境准备"创建并激活环境 # 3. 进入任意模块开始学习 jupyter notebook "1.机器学习/Titanic-Case.ipynb" ``` 更详细的指引请查看 [`快速开始.md`](快速开始.md)。 --- ## 🧰 核心技术栈 | 领域 | 技术/框架 | |------|-----------| | **机器学习** | Scikit-learn、Pandas、NumPy、Matplotlib | | **深度学习** | PyTorch、TorchVision | | **计算机视觉** | YOLOv11、OpenCV | | **自然语言处理** | LSTM、Word2Vec、Transformers | | **大模型推理** | vLLM、SGLang、llama.cpp、Hugging Face Transformers | | **大模型微调** | LLaMA-Factory、LoRA、PEFT | | **RAG** | LangChain、RAGFlow、向量数据库 | | **Agent** | Function Calling、MCP、Dify、OpenClaw | | **开发环境** | Jupyter、Conda、UV、VS Code | --- ## 📚 学习建议 建议按照编号顺序递进学习，每个模块的预计投入时间如下： 1. **`0. 一页纸速通AI原理`**（1-2 天）：建立宏观概念，阅读行业调研报告把握趋势 2. **`1. 机器学习`**（3-5 天）：夯实算法基础，跑通 Titanic 完整流程 3. **`2.1 ~ 2.3 深度学习`**（1-2 周）：深入 CV 和 NLP 领域，理解经典网络设计思想 4. **`3.0 大模型理论`**（2-3 天）：补齐 LLM 预训练、对齐、推理等理论知识 5. **`3.1 ~ 3.4 大模型应用`**（2-4 周）：根据兴趣选择部署/微调/RAG/Agent 方向实战 > 💡 **Tip**：大模型部分建议先读 `3.0 理论` 再进入实践，能更好理解 `3.1~3.4` 中的工程决策。 --- ## 🛠️ 关于本文档 本项目的 README 由自定义 Kimi Skill —— **`generate-readme`** 生成并维护。该 Skill 可根据项目结构、技术栈和最佳实践自动生成结构化的 README 文档。 如果你希望在其它项目中复用此方式生成 README： - 告知 Kimi：*"使用 generate-readme skill 生成 README"* - Skill 路径：`~/.config/agents/skills/generate-readme/` --- ## 📎 附录资源 - [`5.附：Python开发环境搭建/`](5.附：Python开发环境搭建/) — Conda / UV / Jupyter / IDE 选型指南 - [`6.附：win-wsl环境搭建/`](6.附：win-wsl环境搭建/) — Windows 用户 WSL2 配置教程 - [`4.附：常用指令/`](4.附：常用指令/) — 开发常用命令速查表 ---
**如果本项目对你有帮助，欢迎 ⭐ Star 收藏！**