下面这份 Roadmap 把”全栈 → 人工智能算法工程师”拆成 6 个阶段，每阶段给出：
① 必须掌握的理论点（数学＋算法）
② 对应代码实践（PyTorch 为主，穿插 NumPy/Pandas/Transformers）
③ 推荐资源（书＋公开课＋ paper 速读清单）
④ 可落地的里程碑项目（直接写进简历）

整体节奏：边上班边学 8～10 个月，每周 10 h 左右；脱产可压缩到 4～5 个月。

阶段 0　环境 & 工程底座（3 天）

目标：让 Python 科学栈跑起来，把 JupyterLab 变成你的“新 IDE”。
任务清单

• 安装 Miniconda + PyTorch 2.x（CUDA 11.8/12.x）
• 配好 VS Code Remote + Jupyter Lab + Black 自动格式化
• 复刻一次 Kaggle Titanic（纯 Pandas/Scikit-learn），提交分数 ≥ 0.79
  里程碑：把 notebook 转成 .py + hydra 配置管理，推到 GitHub，Actions 能跑通 CI（lint + 单测）。

阶段 1　数学地基（3 周）

理论点

• 线性代数：SVD、特征分解、PCA 推导、矩阵微积分（向量对向量求导）
• 概率论：极大似然、贝叶斯、共轭先验、KL 散度
• 优化：凸 vs 非凸、梯度下降收敛定理、Adam 公式推导、Lagrange 对偶
  资源
• 《Mathematics for ML》M. Deisenroth（免费 PDF）→ 做课后题
• 3Blue1Brown 线性代数 + 概率视频（2 倍速刷）
  代码实践
• 纯 NumPy 实现 PCA 并可视化 MNIST 降维结果
• 手写 Logistic 回归 + SGD，对比 sklearn 结果，权重差 < 1e-3
  里程碑：把上述两个实验写成博客（公式 LaTeX + 代码双栏），PR 到开源笔记库。

阶段 2　传统机器学习（4 周）

理论点

• 偏差–方差分解、正则化几何解释、核技巧、集成原理（Bagging/Boosting/Stacking）
• 指标：ROC-AUC、F1、log-loss、MAE/RMSE、cross-entropy
• 调参：网格→随机→贝叶斯优化（optuna）
  资源
• 课：Coursera ML（Andrew Ng）→ 只刷代码作业，向量版
• 书：《Hands-On ML》第 2 版 → 每章跑一遍，用 joblib 存 pipeline
  项目
• Kaggle “House Prices” 进 Top 10 %（≈ 0.13 RMSLE）
• 公司数据集：用 LightGBM 做流失预测，AUC 提升 baseline 8 % 以上
  里程碑：把最优模型打包成 REST 服务（FastAPI + Gunicorn），Docker 镜像 < 300 MB，写 Swagger 文档。

阶段 3　深度学习核心（6 周）

理论点

• 反向传播自动微分、激活函数饱和区、BatchNorm 原理、残差块数学解释
• 优化器：Momentum、AdamW、LARS、Lookahead
• 正则化：Dropout、Label Smoothing、Mixup、Early Stopping 策略
• CNN：卷积算术、转置卷积、感受野计算、轻量化（Depthwise Separable）
• RNN/LSTM/GRU 梯度流、Seq2Seq + Attention 推导
  资源
• 课：CS231n 2023 版（只看 Lecture 1-10 + Assignment 1-3）
• 书：《Deep Learning》Goodfellow → 选读 6-10 章
• Paper：LeNet-5 → AlexNet → VGG → ResNet，每篇手写核心公式
  代码
• 纯 PyTorch 实现 ResNet-18，在 CIFAR-10 上 94 % 精度
• 用 LSTM 做中文古诗生成（字符级），BLEU-3 > 0.6
  里程碑：把 ResNet-18 蒸馏到 MobileNetV2，参数减半，精度掉 < 1 %，用 TorchScript 导出 .pt 并在 Android 端跑通。

阶段 4　前沿方向选专精（任选 1-2 条支线，8 周）

支线 A　CV 专精

• 目标检测：YOLOv8 原理 + CIoU loss，训练自定义 3 类目标，mAP50>0.75
• 语义分割：U-Net/DeeplabV3+，用 Albumentations 做强增强
• 部署：ONNX → TensorRT FP16，推理提速 3×

支线 B　NLP 专精

• Transformer 手推 QKV、位置编码、掩码矩阵
• 预训练：用 HuggingFace Trainer 做 RoBERTa 中文继续预训练（MLM），语料 5 GB，loss 降到 1.8
• 微调：NER 任务（BIO 标注），F1>0.92；再用 LoRA 参数高效微调，显存省 40 %

支线 C　多模态/生成式

• CLIP 对比学习 + 图文检索 Recall@5>0.9
• Stable Diffusion v2 微调：DreamBooth 10 张图训练个人风格，CLIP score>0.82
• RLHF：用 trlX 给 1.3 B 小模型做三阶段训练， Reward Model acc>0.85

资源

• Papers With Code 刷 SOTA，每周复现一篇
• 课：Stanford CS25/CS330（Transformers/VLM）
  里程碑：选定的支线在公开数据集上复现 SOTA 90 % 效果，并写技术报告发 arXiv 预印（可非官方）。

阶段 5　MLOps & 工程落地（4 周）

理论点

• 数据版本控制：DVC、LakeFS
• 实验跟踪：MLflow、Weights & Biases
• 持续训练：Airflow/Prefect 调度特征漂移检测→重训练→自动回滚
• 模型监控：PSI/CSI、latency P99、GPU 利用率
• 服务化：TorchServe / Triton Inference Server，gRPC + 批处理动态 batching
  项目
• 把阶段 3 的模型接入 Kafka 流，每 10 min 批预测一次，灰度发布；回滚窗口 < 5 min
• 用 Terraform 在 AWS EKS 起 GPU 节点组，Spot 实例成本降 60 %，自动伸缩
  里程碑：向公司技术博客投稿《某业务从离线到实时 GPU 推理的 99.9 % 可用性实践》，附 Grafana 大盘截图。

阶段 6　面试 & 社区影响力（持续）

• 刷题：
  – 算法：LeetCode Top 100 高频
  – ML 系统设计：Instagram 推荐流、YouTube 视频召回／排序、滴滴 ETA 估计（参考《Machine Learning System Design Interview》）
• 简历项目包装公式：业务背景→数据规模→模型→指标提升→工程亮点→业务落地收益
• 开源：给 HuggingFace / PyTorch Lightning 提 PR，累计 merged ≥ 3 次
• 会议：投 ACL/NeurIPS Workshop 应用 Track，或国内 CCF B 类会议工业 Track

时间线速览（兼职版）

月份 1　阶段 0-1
月份 2　阶段 2
月份 3-4　阶段 3
月份 5-6　阶段 4 选支线 A/B/C
月份 7　阶段 5 MLOps
月份 8　面试冲刺 + 社区贡献

一句话总结

“数学打底 → 经典 ML 打怪 → DL 主线副本 → 专精方向刷 SOTA → MLOps 落地 → 开源/面试放大影响力”。
按这个 Roadmap 把每个里程碑项目都写进 GitHub + 技术博客，你就能从“全栈工程师”平滑进阶为“能独立交付算法+系统+业务指标”的人工智能算法开发工程师。祝你升级愉快！