「🇭🇰博一」心理转AI的经验分享[第2期]

为有心理学背景并希望转向人工智能领域的人士，提供了一条清晰高效的学习路径。该路线划出了必备的知识重点，旨在帮助学习者在短时间内搭建扎实的理论框架，为阅读前沿论文和开展项目实战奠定基础，解决了跨专业入门时的迷茫与无序问题。

智能速览

• 本学习路线旨在快速搭建AI基础知识框架，助力看懂论文与实战。

• 数学基础以微积分和线性代数为核心，其中线性代数被视作重中之重。

• 工程方面需掌握信号与系统知识，理解时域频域及卷积等核心概念。

• 内容包含MIT课程、3Blue1Brown等具体学习资源推荐，方便自行查找。

精华内容

跨专业学习AI，关键在于精准把握核心知识模块。以下内容将具体阐述数学与工程两大基础领域的必学要点，为高效转型提供明确指引。

数学基础：微积分

AI学习中的微积分，并非要求掌握所有定理，而是聚焦于核心概念。必须理解导数、偏导数和梯度的定义，它们是优化算法的基础。其中，链式法则尤为重要，它是神经网络反向传播算法的数学来源。学习这部分内容时，推荐观看MIT 18.01课程的导数与多变量部分，并结合3Blue1Brown的《微积分的本质》视频，能高效建立直观理解，预计总时长约7小时。

核心数学：线性代数

线性代数是AI入门的基石，其重要性不言而喻。学习应从基础开始，包括向量与矩阵的加减乘法、转置、求逆等基本运算。紧接着，要理解线性方程组、秩的概念，并建立关于向量空间、基和维度的数学直觉。这直接关系到对神经网络中线性映射（即全连接层）工作原理的理解。后续可逐步深入矩阵求导、特征值、SVD以及PCA降维等高级主题。

工程基础：信号系统

神经科学背景转型AI，工程基础不可或缺，因为神经数据本质上就是信号。必须建立对时域和频域的二元认知，理解卷积在信号处理中的实际意义。同时，掌握傅里叶变换、滤波技术以及基本的采样理论至关重要。这些知识是处理脑电、功能磁共振成像等数据的基础。推荐学习资料为《Signal Processing for Neuroscientists》，并辅以3Blue1Brown关于傅里叶变换的直观讲解。

这条学习路径为心理学背景进入AI领域提供了清晰的知识地图，通过聚焦核心，避免了无效学习。掌握了这些基础后，再结合《Mathematical Foundations for Computational Neuroscience》等资源，便能真正进入计算神经科学的大门。下一步，是选择一个具体的方向深入钻研，还是开始寻找实战项目？

关键评论

• 有读者希望分享后续关于实战、PhD选择以及数学具体应用实例等内容。

• 同为心理或工科背景的读者对转型AI表示关注，并询问可行性。