课后作业

人工智能学习路径 - 实战与验收资源地图

本文档提供各阶段验收项目的详细要求、资源链接与代码示例，帮助学员顺利完成从数学基础到专项方向的各项验收任务。

核心学习资源（贯穿始终）

阶段项目（数学验收）：PCA + 线性回归 Pipeline

任务

实现 PCA 降维和线性回归的端到端流程。

资源/代码

• D2L 章节：线性回归简洁实现
• CSDN 教程：主成分分析（PCA）
• Scikit-learn PCA 示例：https://scikit-learn.org/stable/modules/generated/sklearn.decomposition.PCA.html

验收要求

Notebook + 300 字总结，展示可视化与核心指标。

阶段项目（机器学习验收）：端到端应用

任务

完成完整的 ML 流程（预处理→特征工程→模型比较→交叉验证）。

资源/代码

• Scikit-learn 机器学习 Pipeline 示例：https://scikit-learn.org/stable/model_selection.html
• Kaggle 泰坦尼克号 Notebook 模板：https://www.kaggle.com/competitions/titanic/code

验收要求

清晰展示预处理、特征工程、模型对比（至少 3 种）和 K-Fold 交叉验证结果。

阶段 II：深度学习核心（阶段性验收 I）

阶段性验收 I（深度学习）：综合项目

任务

任选一个 CNN/RNN/Transformer 任务（如图像分类/序列预测），完成模型构建与对比实验。

核心知识点

ResNet、LSTM/GRU、自注意力机制。

资源/代码

• D2L 章节：ResNet 实现
• D2L 章节：Transformer 实现
• PyTorch 官方 Transformer 机器翻译示例：https://github.com/pytorch/examples/tree/main/language_translation

验收要求

总分 ≥ 70 且可复现性 ≥ 20（提交 Notebook、对比实验、500–800 字报告、模型权重）。

阶段 III：专项方向进阶（终验收项目）

本阶段为专项方向终验收，学员需从四个方向中任选其一完成项目验收。

方向 A：强化学习 (RL)

核心实战：Q-Learning/DQN 实践

任务

在表格型环境（FrozenLake）和连续型环境（CartPole）上实现 DQN。

资源/代码

• D2L 章节：DQN 深度 Q 网络
• OpenAI Gym/Farama-Suite 环境：https://gymnasium.farama.org

项目建议（验收样例）

1. DQN 在 CartPole 或 LunarLander 上达到稳定策略

交付：训练曲线（Reward 随 Step 变化）、超参说明、Agent 稳定性分析。

资源：Stable Baselines3 DQN 示例

2. PPO 在连续控制任务上的比较实验（如 MountainCarContinuous）

交付：算法实现（或 Stable Baselines3 调用记录）、与基线算法的比较结果（Mean Reward 报表）。

资源：Stable Baselines3 PPO 教程

方向 B：计算机视觉 (CV)

核心实战：传统 CV/特征匹配与深度学习 CV

任务

使用 OpenCV 实现 SIFT 特征提取与 RANSAC 鲁棒匹配。

资源/代码

• OpenCV SIFT/RANSAC 教程：https://docs.opencv.ac.cn/4.11.0/da/df5/tutorial_py_sift_intro.html https://plus-wave.github.io/article/aljo8frg/#_3-实践操作

项目建议（验收样例）

1. 目标检测微调（YOLOv5/YOLOv8）

数据：自建小数据集或 COCO 子集。

交付：训练脚本、推理脚本、mAP 报表（至少 mAP50）、预测可视化结果。

资源：Ultralytics YOLOv8 GitHub

2. 实例分割（Mask R-CNN）

交付：训练日志、mIoU/mAP 评估、分割可视化。

资源：Detectron2 实例分割教程

3. 单目深度估计小 demo

交付：深度地图可视化（与原图对比）、模型评估（如果有 ground truth）。

资源：MiDaS 深度估计模型 GitHub

方向 C：生成式 AI 与 LLM (AIGC)

核心实战：LoRA 微调与 RAG 基础

任务

使用 Hugging Face PEFT/LoRA 微调小型 LLM；使用 LlamaIndex/LangChain 搭建 RAG。

资源/代码

• Hugging Face PEFT LoRA 官方教程：https://huggingface.co/docs/peft/main/en/conceptual_guides/lora
• LangChain RAG 教程：https://www.langchain.com.cn/docs/tutorials/rag/

项目建议（验收样例）

1. 大模型指令微调与评估

交付：微调脚本（LoRA）、训练日志、评估报告（自动指标 + 人工评分）、推理演示。

资源：Hugging Face TRL/PEFT 库

2. 基于 RAG 的知识库问答系统

交付：数据处理 pipeline（分割、向量化）、检索引擎代码、问答交互界面、检索效果评估（召回率/准确率）。

资源：LlamaIndex 官方 RAG 示例

3. LLM Agent 工具使用应用

交付：Agent 框架代码（基于 ReAct/CoT）、多轮对话示例、工具调用准确率统计。

资源：LangChain Agents 教程

方向 D：3D 计算机图形学 (3D Graphics/Vision)

核心实战：点云处理与 3D 深度学习

任务

使用 Open3D 进行点云配准（ICP）；复现 PointNet 核心结构。

资源/代码

• Open3D 官方 ICP 教程：https://www.open3d.org/html/tutorial/pipelines/icp_registration.html
• GitHub PointNet PyTorch 实现：https://github.com/fxia22/pointnet.pytorch

项目建议（验收样例）

1. Point Cloud 分类/分割（基于 PointNet/PointNet++）

数据：ModelNet/ShapeNet 子集。

交付：训练日志、分类精度/分割 IoU（至少 3 个类别）、可视化分割/分类结果。

资源：PointNet 论文与 GitHub 实现

2. NeRF 简化复现

任务：在小型多视角物体图像集上训练 NeRF。

交付：渲染结果对比图（原图 vs NeRF 渲染）、训练细节说明、新视角渲染视频（GIF）。

资源：TinyNeRF 或即插即用 NeRF 实现

大连理工大学人工智能入门计划负责人

联系信息

课后作业

人工智能学习路径 - 实战与验收资源地图

核心学习资源（贯穿始终）

动手学深度学习 (D2L) - 教材与代码

PyTorch 官方教程

Hugging Face 官方文档 (LLM/AIGC)

Stable Baselines3 (强化学习)

阶段项目（数学验收）：PCA + 线性回归 Pipeline

任务

资源/代码

验收要求

阶段项目（机器学习验收）：端到端应用

任务

资源/代码

验收要求

阶段 II：深度学习核心（阶段性验收 I）

阶段性验收 I（深度学习）：综合项目

任务

核心知识点

资源/代码

验收要求

阶段 III：专项方向进阶（终验收项目）

方向 A：强化学习 (RL)

核心实战：Q-Learning/DQN 实践

任务

资源/代码

项目建议（验收样例）

1. DQN 在 CartPole 或 LunarLander 上达到稳定策略

2. PPO 在连续控制任务上的比较实验（如 MountainCarContinuous）

方向 B：计算机视觉 (CV)

核心实战：传统 CV/特征匹配与深度学习 CV

任务

资源/代码

项目建议（验收样例）

1. 目标检测微调（YOLOv5/YOLOv8）

2. 实例分割（Mask R-CNN）

3. 单目深度估计小 demo

方向 C：生成式 AI 与 LLM (AIGC)

核心实战：LoRA 微调与 RAG 基础

任务

资源/代码

项目建议（验收样例）

1. 大模型指令微调与评估

2. 基于 RAG 的知识库问答系统

3. LLM Agent 工具使用应用

方向 D：3D 计算机图形学 (3D Graphics/Vision)

核心实战：点云处理与 3D 深度学习

任务

资源/代码

项目建议（验收样例）

1. Point Cloud 分类/分割（基于 PointNet/PointNet++）

2. NeRF 简化复现

留下你的想法吧