同学你好，我是负责学习规划的老师。在你开始学习之前，我需要先和你说几句。
很多同学来了就问"老师我该学什么"，但其实在回答这个问题之前，你自己要先想清楚几件事：
第一，你现在是什么基础？有没有学过Python？有没有接触过机器学习？如果完全零基础，那就要从头开始，不能跳。
第二，你的专业方向涉及什么类型的数据？是图片（医学影像、遥感图像等）、时间序列（股票、传感器、心电图等）、还是表格数据或图结构数据？数据类型不同，学的算法完全不一样。
第三，你的时间有多少？是三个月要发论文，还是一年慢慢学？时间紧和时间充足，学习策略是完全不同的。
第四，你的目标是什么？发核心期刊、发SCI、做毕业设计、还是找工作？目标不同，侧重点不同。
想清楚这些问题之后，下面的内容才对你有意义。如果你还没想清楚，建议先预约一次答疑，我帮你分析一下情况。
我们的课程分为三大块，我一个一个跟你说：
第一块：新手通识。不管你以后做什么方向，这部分都要先学。包括AI基础概念、环境配置、Python编程、机器学习、深度学习PyTorch。这是地基，地基不牢，后面全白搭。
第二块：AI科研实验室。这部分根据你的数据类型，三选一：影像实验室（处理图片）、时序实验室（处理时间序列）、AI+实验室（处理表格和图结构数据）。选错了会浪费时间，所以一定要根据自己的数据类型来选。
第三块：前沿技术。这是选修内容，包括多模态、生成式AI、强化学习等。论文需要用到再学，不需要每个人都学。
AI概述 → 环境配置 → Python编程 → 机器学习 → 深度学习PyTorch
完成猫狗分类实战项目，掌握完整的深度学习训练流程
框架拆解(ViT/nnU-Net/YOLO) → 数据处理与增强 → 分类/分割/检测算法 → 模型改进
适合处理：医学影像、遥感图像、工业检测图像
时序数据基础 → ARIMA/Prophet → LSTM/Transformer → 预测/异常检测/分类实战
适合处理：股票、传感器、心电图、电力负荷等
特征工程 → XGBoost/LightGBM → GCN/GAT图神经网络 → 应用实战
适合处理：表格数据、社交网络、分子结构、知识图谱
多模态CLIP → 生成式AI(GAN/VAE/扩散模型) → 强化学习 → 大语言模型LLM
根据论文需求选学，不是必修内容
看看和你情况相似的同学是怎么规划学习的：
显著性目标检测 · 3个月毕业 + SCI3区 + 大厂就业
这位学员情况典型：时间紧迫（3个月）+ 多目标（毕业+SCI+就业）。有Python基础是优势，可跳过编程入门直接学深度学习。
核心策略：走快速通道，新手通识压缩到2周，找现成显著性检测开源项目改，SCI3区创新点要求不高，添加注意力机制+做好实验即可。
就业建议：论文项目就是最好的面试项目，边做论文边准备算法题和八股文，投稿后集中准备面试。
每个人的时间情况不一样，学习策略也要调整。下面我分两种情况说：
很多同学问我该投什么期刊。简单说：国内有北大核心、南大核心、CSCD等；国外有SCI、EI、SSCI等。SCI分四个区，一区最难，四区相对容易。具体怎么选，要看你的学校要求和时间安排。
时间紧的同学，建议先投EI会议或者SCI四区，审稿快，1-3个月能出结果。时间充足想冲高分的，可以考虑SCI二区一区，但审稿周期3-6个月甚至更长，要有心理准备。
详细的期刊分类说明，点击下面的链接查看：
查看期刊分类详细说明点击下面的卡片，进入各模块的详细课程说明：
AI概述、环境配置、Python编程、机器学习、深度学习PyTorch。打好地基，后面学什么都快。
所有人必学框架拆解(ViT/nnU-Net/YOLO)、数据处理与增强、分类/分割/检测算法、模型改进创新。
图片数据方向 医学/遥感/工业时序数据特点、ARIMA/Prophet传统方法、LSTM/Informer深度学习、预测/异常检测/分类任务。
序列数据方向 股票/传感器/心电特征工程、XGBoost/LightGBM树模型、GCN/GAT图神经网络、节点分类/链接预测/图分类。
表格/图数据 分子/社交/知识图谱多模态CLIP、生成式AI（GAN/VAE/扩散模型Diffusion）、强化学习PPO、大语言模型LLM。
按需选学1. 学习要有计划，但计划不要定太死，根据实际情况随时调整
2. 代码一定要自己敲，光看视频不动手等于没学
3. 遇到问题先自己查，实在查不到再问群里，培养解决问题的能力
4. 每天保持2-4小时的学习时间，坚持比突击有效得多
5. 有问题随时问，预约答疑或者群里提问都可以
零基础完全可以学会。我们的新手通识课程就是从零开始设计的，包括Python编程基础。
时间上，如果你每天能保持2-4小时学习，新手通识阶段大约需要4-8周，加上实验室课程6-10周，整体3-5个月可以入门并开始做项目。关键是要坚持，每天学一点比突击效果好。
环境配置是新手最容易卡住的地方。几点建议：
1. 严格按照视频步骤来，不要自己乱改版本号
2. 遇到报错先复制错误信息去搜索，大部分问题网上都有答案
3. 检查显卡驱动、CUDA版本、PyTorch版本是否匹配
4. 实在解决不了就截图发群里问，不要在这个环节耗太久
三个实验室是根据数据类型来选的，不是根据难度：
• 影像实验室：处理图片（医学影像、遥感图像、工业检测图像）
• 时序实验室：处理时间序列（股票、传感器、心电图、电力负荷）
• AI+实验室：处理表格数据或图结构数据（Excel表格、社交网络、分子结构）
建议根据你的研究方向选一个先学精，学完一个再学其他的。不建议同时学多个，容易分散精力。
需要的，原因有三：
1. 机器学习是深度学习的基础，很多概念是相通的（损失函数、优化、过拟合等）
2. 不是所有问题都需要深度学习，对于表格数据，XGBoost/LightGBM这些传统算法效果可能更好
3. 写论文的时候，这些算法经常作为baseline进行对比实验
创新不一定要发明全新的东西。常见的创新方式：
1. 添加注意力机制（SE、CBAM、Self-Attention等）
2. 多尺度特征融合（FPN、ASPP等）
3. 改进损失函数（Dice Loss、Focal Loss等）
4. 把A方法用到B场景
5. 组合两个方法取长补短
我们的模型改进课程会详细讲这些套路，学会了你就知道怎么写论文了。
有可能，但需要策略调整：
1. 新手通识快速过，重点学PyTorch和深度学习
2. 实验室课程只学和你论文直接相关的算法
3. 找一个和你方向相近的开源项目，边跑边学
4. 论文目标定在普刊或EI会议、SCI四区，审稿快（1-3个月）
5. 跳过前沿技术，集中精力把一个算法吃透
勾选已完成的内容，跟踪你的学习进度（数据保存在本地浏览器）：