WB AI Academy 学习路线总结30 天从入门到精通的完整行动计划【免费下载链接】eduEducational materials on deep learning by Weights Biases项目地址: https://gitcode.com/gh_mirrors/edu2/edu想要系统掌握深度学习和 MLOps却总被海量教程淹没这份WB AI Academy 学习路线总结就是为你准备的。WB AI Academy 是 Weights Biases 官方推出的深度学习与机器学习工程教育项目汇聚了 RAG、提示工程、MLOps、模型注册等十余门高质量课程的全部代码与 Notebook 材料。本文基于该仓库精心设计了一套30 天从入门到精通的完整行动计划无需付费课程也能自学成才跟着走就能一步步从理论走向生产级实践。为什么选择 WB AI Academy 作为学习路线起点这套学习路线最大的优势在于动手即学。仓库中的每个模块都配有可直接运行的 Jupyter Notebook 和 Python 脚本覆盖从 Keras、PyTorch Lightning 等框架基础到 RAG、模型 CI/CD 等生产落地的完整链路。你不需要在多个平台间来回切换一份仓库即可完成全部实验。第 1 阶段环境准备与 WB 工具入门第 1~3 天快速获取全部学习材料首先通过 git clone 获取仓库代码git clone https://gitcode.com/gh_mirrors/edu2/edu然后进入 wandb101 目录从 get_started.ipynb 开始这是最友好的第一课。掌握实验跟踪核心技能这一阶段的目标是学会用 WB 跟踪实验指标、超参数和可视化结果。依次完成wandb101/get_started.ipynb创建第一个实验、记录指标cicd-course/client/wandb_client.ipynb熟悉 WB Python API用 cicd-course/test-example/train.py 跑通第一个带跟踪的训练脚本完成本阶段你就拥有了记录每一次实验的专业习惯。第 2 阶段深度学习框架实战第 4~10 天用 Keras 快速上手神经网络从 keras/intro/perceptron-single.py 理解感知机原理再通过 keras/intro/mlp.py 过渡到多层网络。这个阶段你会直观感受损失函数下降带来的成就感。用 PyTorch Lightning 体验工程化训练Lightning 模块采用更工程化的写法。建议按 lightning/perceptron/mlp.ipynb → lightning/cnn/cnn.ipynb → lightning/autoencoder/autoencoder-mnist.ipynb 的顺序推进覆盖 MLP、CNN、自编码器三大经典结构。上图来自 model-dev-course 课程它直观展示了数据多样性和标注质量对模型效果的决定性影响。这也是先看数据、再调模型这一最佳实践的绝佳演示。挑战进阶网络结构有精力的同学可以挑战 keras/gan 相关 Notebook 和 lightning/gan/gan-mnist.ipynbGAN 训练过程中的 loss 拉锯战会彻底点燃你的学习热情。第 3 阶段补足数学与决策优化基础第 11~13 天ML 的瓶颈往往是数学直觉。这一阶段使用 math-for-ml 模块快速补课math-for-ml/01_linearalgebra/exercises.ipynb线性代数核心概念math-for-ml/02_calculus/exercises.ipynb梯度与反向传播直觉math-for-ml/03_probability/exercises.ipynb概率与统计基础每天 1~2 小时即可重在建立矩阵怎么流动、梯度怎么传播的直觉无需死磕公式。第 4 阶段MLOps 工程能力进阶第 14~21 天这是从会训练迈向会生产的关键阶段也是这套学习路线中最具含金量的部分。规范化的模型开发流程按照 mlops-001/lesson1/01_EDA.ipynb → mlops-001/lesson1/03_Baseline.ipynb → mlops-001/lesson2/04_refactor_baseline.ipynb 的顺序体会EDA → 基线 → 重构的标准开发节奏并学会使用 mlops-001/lesson2/sweep.yaml 做超参数搜索。数据漂移与模型评估实战生产环境最大的敌人是数据漂移。通过 ml-dataval-course/04-driftdetection.ipynb 学会检测漂移再结合 model-dev-course/lesson3/eval.py 建立系统的模型评估流程。模型注册与线上管理当模型需要上线模型管理能力就变得至关重要。参考 model-registry-201/Logging_Models_PyTorch.ipynb 学会把模型登记进注册表。上图展示了通过 WB 配置模型评估队列、注入环境变量的完整界面这正是 MLOps 中环境隔离 任务调度思想的落地体现。第 5 阶段LLM 与大模型应用开发第 22~27 天提示工程入门与系统提示设计从 prompting/prompt_engineering.ipynb 出发掌握角色设定、示例引导、格式约束三大核心技巧。结构化输出与函数调用进阶到 llm-structured-extraction/2.tips.ipynb学习如何让 LLM 稳定输出 JSON、处理复杂校验这是构建可靠 Agent 应用的必备技能。构建完整的 LLM 应用使用 llm-apps-course/src/chain.py 和 llm-apps-course/src/ingest.py 搭建一个带检索能力的应用骨架理解 Chain、Retriever、Prompt 三大组件如何协同。第 6 阶段RAG 生产级实战与项目冲刺第 28~30 天理解 RAG 数据分块RAG 效果好不好分块策略说了算。通过 rag-advanced/notebooks/Chapter01.ipynb 观察分块后的数据结构理解 chunk 大小与检索精度的权衡。用追踪工具调试 RAG 管线RAG 管线环节多、问题隐蔽必须学会端到端追踪。上图下方的时间线来自 rag-advanced/images/01_weave_trace_timeline.png可以看到检索、生成每一步的耗时与输入输出快速定位慢在哪、错在哪。检索器对比与提示优化最后利用 rag-advanced/notebooks/Chapter04.ipynb 和 rag-advanced/notebooks/Chapter06.ipynb 对比不同检索器与提示词方案的表现差异让优化有数据可依。冲刺模型 CI/CD 与 GitOps收官之作是 cicd-course/ci.py 与 cicd-course/promote.yaml用 GitHub Actions 实现自动化测试、模型评估与注册表晋升跑通代码提交 → 自动训练 → 自动评估 → 模型晋升的完整流水线。30 天学习路线总结与行动建议回顾这份WB AI Academy 学习路线总结30 天的节奏可以概括为3 天入门工具 → 7 天框架实战 → 3 天数学补课 → 8 天 MLOps 进阶 → 6 天 LLM 开发 → 3 天 RAG 与 CI/CD 冲刺。最后给你三条行动建议坚持动手每个模块的 Notebook 都要亲自运行不要只看不练善用实验跟踪从第一天起就用 WB 记录所有实验形成可复现的工作流完成一个综合项目第 30 天把 MLOps 与 RAG 能力结合做一个带评估、带追踪、带 CI/CD 的完整应用作为结业作品30 天后你收获的不只是知识更是一整套从想法到生产的工程方法论。现在就 clone 仓库开启你的 AI 进阶之旅吧【免费下载链接】eduEducational materials on deep learning by Weights Biases项目地址: https://gitcode.com/gh_mirrors/edu2/edu创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
WB AI Academy 学习路线总结：30 天从入门到精通的完整行动计划
WB AI Academy 学习路线总结30 天从入门到精通的完整行动计划【免费下载链接】eduEducational materials on deep learning by Weights Biases项目地址: https://gitcode.com/gh_mirrors/edu2/edu想要系统掌握深度学习和 MLOps却总被海量教程淹没这份WB AI Academy 学习路线总结就是为你准备的。WB AI Academy 是 Weights Biases 官方推出的深度学习与机器学习工程教育项目汇聚了 RAG、提示工程、MLOps、模型注册等十余门高质量课程的全部代码与 Notebook 材料。本文基于该仓库精心设计了一套30 天从入门到精通的完整行动计划无需付费课程也能自学成才跟着走就能一步步从理论走向生产级实践。为什么选择 WB AI Academy 作为学习路线起点这套学习路线最大的优势在于动手即学。仓库中的每个模块都配有可直接运行的 Jupyter Notebook 和 Python 脚本覆盖从 Keras、PyTorch Lightning 等框架基础到 RAG、模型 CI/CD 等生产落地的完整链路。你不需要在多个平台间来回切换一份仓库即可完成全部实验。第 1 阶段环境准备与 WB 工具入门第 1~3 天快速获取全部学习材料首先通过 git clone 获取仓库代码git clone https://gitcode.com/gh_mirrors/edu2/edu然后进入 wandb101 目录从 get_started.ipynb 开始这是最友好的第一课。掌握实验跟踪核心技能这一阶段的目标是学会用 WB 跟踪实验指标、超参数和可视化结果。依次完成wandb101/get_started.ipynb创建第一个实验、记录指标cicd-course/client/wandb_client.ipynb熟悉 WB Python API用 cicd-course/test-example/train.py 跑通第一个带跟踪的训练脚本完成本阶段你就拥有了记录每一次实验的专业习惯。第 2 阶段深度学习框架实战第 4~10 天用 Keras 快速上手神经网络从 keras/intro/perceptron-single.py 理解感知机原理再通过 keras/intro/mlp.py 过渡到多层网络。这个阶段你会直观感受损失函数下降带来的成就感。用 PyTorch Lightning 体验工程化训练Lightning 模块采用更工程化的写法。建议按 lightning/perceptron/mlp.ipynb → lightning/cnn/cnn.ipynb → lightning/autoencoder/autoencoder-mnist.ipynb 的顺序推进覆盖 MLP、CNN、自编码器三大经典结构。上图来自 model-dev-course 课程它直观展示了数据多样性和标注质量对模型效果的决定性影响。这也是先看数据、再调模型这一最佳实践的绝佳演示。挑战进阶网络结构有精力的同学可以挑战 keras/gan 相关 Notebook 和 lightning/gan/gan-mnist.ipynbGAN 训练过程中的 loss 拉锯战会彻底点燃你的学习热情。第 3 阶段补足数学与决策优化基础第 11~13 天ML 的瓶颈往往是数学直觉。这一阶段使用 math-for-ml 模块快速补课math-for-ml/01_linearalgebra/exercises.ipynb线性代数核心概念math-for-ml/02_calculus/exercises.ipynb梯度与反向传播直觉math-for-ml/03_probability/exercises.ipynb概率与统计基础每天 1~2 小时即可重在建立矩阵怎么流动、梯度怎么传播的直觉无需死磕公式。第 4 阶段MLOps 工程能力进阶第 14~21 天这是从会训练迈向会生产的关键阶段也是这套学习路线中最具含金量的部分。规范化的模型开发流程按照 mlops-001/lesson1/01_EDA.ipynb → mlops-001/lesson1/03_Baseline.ipynb → mlops-001/lesson2/04_refactor_baseline.ipynb 的顺序体会EDA → 基线 → 重构的标准开发节奏并学会使用 mlops-001/lesson2/sweep.yaml 做超参数搜索。数据漂移与模型评估实战生产环境最大的敌人是数据漂移。通过 ml-dataval-course/04-driftdetection.ipynb 学会检测漂移再结合 model-dev-course/lesson3/eval.py 建立系统的模型评估流程。模型注册与线上管理当模型需要上线模型管理能力就变得至关重要。参考 model-registry-201/Logging_Models_PyTorch.ipynb 学会把模型登记进注册表。上图展示了通过 WB 配置模型评估队列、注入环境变量的完整界面这正是 MLOps 中环境隔离 任务调度思想的落地体现。第 5 阶段LLM 与大模型应用开发第 22~27 天提示工程入门与系统提示设计从 prompting/prompt_engineering.ipynb 出发掌握角色设定、示例引导、格式约束三大核心技巧。结构化输出与函数调用进阶到 llm-structured-extraction/2.tips.ipynb学习如何让 LLM 稳定输出 JSON、处理复杂校验这是构建可靠 Agent 应用的必备技能。构建完整的 LLM 应用使用 llm-apps-course/src/chain.py 和 llm-apps-course/src/ingest.py 搭建一个带检索能力的应用骨架理解 Chain、Retriever、Prompt 三大组件如何协同。第 6 阶段RAG 生产级实战与项目冲刺第 28~30 天理解 RAG 数据分块RAG 效果好不好分块策略说了算。通过 rag-advanced/notebooks/Chapter01.ipynb 观察分块后的数据结构理解 chunk 大小与检索精度的权衡。用追踪工具调试 RAG 管线RAG 管线环节多、问题隐蔽必须学会端到端追踪。上图下方的时间线来自 rag-advanced/images/01_weave_trace_timeline.png可以看到检索、生成每一步的耗时与输入输出快速定位慢在哪、错在哪。检索器对比与提示优化最后利用 rag-advanced/notebooks/Chapter04.ipynb 和 rag-advanced/notebooks/Chapter06.ipynb 对比不同检索器与提示词方案的表现差异让优化有数据可依。冲刺模型 CI/CD 与 GitOps收官之作是 cicd-course/ci.py 与 cicd-course/promote.yaml用 GitHub Actions 实现自动化测试、模型评估与注册表晋升跑通代码提交 → 自动训练 → 自动评估 → 模型晋升的完整流水线。30 天学习路线总结与行动建议回顾这份WB AI Academy 学习路线总结30 天的节奏可以概括为3 天入门工具 → 7 天框架实战 → 3 天数学补课 → 8 天 MLOps 进阶 → 6 天 LLM 开发 → 3 天 RAG 与 CI/CD 冲刺。最后给你三条行动建议坚持动手每个模块的 Notebook 都要亲自运行不要只看不练善用实验跟踪从第一天起就用 WB 记录所有实验形成可复现的工作流完成一个综合项目第 30 天把 MLOps 与 RAG 能力结合做一个带评估、带追踪、带 CI/CD 的完整应用作为结业作品30 天后你收获的不只是知识更是一整套从想法到生产的工程方法论。现在就 clone 仓库开启你的 AI 进阶之旅吧【免费下载链接】eduEducational materials on deep learning by Weights Biases项目地址: https://gitcode.com/gh_mirrors/edu2/edu创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
