# 路线图（Roadmap）

> PixelAlgo 目标覆盖机器学习 / 深度学习全部主流模型。下表为完整路线图。
> 状态：✅ 已发布 · 🚧 进行中 · 📋 规划中。`★` = 第一版核心里程碑集（20 个全部已发布）。
>
> **当前进度：63 / 63 已发布** —— 覆盖全部 10 大类别。

---

## 学习路径（先修关系主干）

```
F1 梯度下降 ──▶ S1 线性回归 ──▶ S2 逻辑回归 ──▶ S6 决策树 ──▶ S7/S8 集成
                    │                │
                    └─▶ N1 MLP+反向传播 ──▶ C1 卷积 ──▶ C5 ResNet ──▶ C2 LeNet ──▶ C3 AlexNet
                              │
                              ├─▶ R1 RNN ──▶ R2 LSTM ──▶ R5 Attention ──▶ T1 Transformer
                              │
                              └─▶ G1 自编码器 ──▶ G2 VAE ──▶ G3 GAN ──▶ G6 Diffusion

U1 K-Means · U5 PCA · U2 DBSCAN · U4 GMM+EM（无监督旁路，任意时机可学）
N2-N6 神经网络基础组件（激活/损失/优化器/正则化/初始化）
GR2 GCN · RL1 Q-Learning · RL3 DQN（进阶，需先掌握 NN 基础）
```

---

## F · 基础 Foundations
| # | 模型 | 难度 | 状态 |
|---|---|---|---|
| F1 | 梯度下降族（GD/SGD/Momentum/Adam） | 2 | ★ ✅ |

## S · 监督·经典 Supervised (Classic)
| # | 模型 | 难度 | 状态 |
|---|---|---|---|
| S1 | 线性回归 Linear Regression | 1 | ★ ✅ |
| S2 | 逻辑回归 Logistic Regression | 2 | ★ ✅ |
| S3 | 感知机 Perceptron | 2 | ✅ |
| S4 | K近邻 KNN | 1 | ✅ |
| S5 | 朴素贝叶斯 Naive Bayes | 2 | ✅ |
| S6 | 决策树 Decision Tree (CART) | 3 | ★ ✅ |
| S7 | 随机森林 Random Forest | 3 | ✅ |
| S8 | 梯度提升 GBDT / XGBoost | 4 | ✅ |
| S9 | 支持向量机 SVM（核方法） | 4 | ✅ |

## U · 无监督 Unsupervised
| # | 模型 | 难度 | 状态 |
|---|---|---|---|
| U1 | K-Means 聚类 | 2 | ★ ✅ |
| U2 | DBSCAN | 2 | ✅ |
| U3 | 层次聚类 Hierarchical | 3 | ✅ |
| U4 | 高斯混合 GMM + EM | 4 | ✅ |
| U5 | PCA 主成分分析 | 3 | ★ ✅ |
| U6 | t-SNE / UMAP | 4 | ✅ |
| U7 | 关联规则 Apriori / FP-Growth | 3 | ✅ |

## N · 神经网络基础 NN Basics
| # | 模型 | 难度 | 状态 |
|---|---|---|---|
| N1 | 多层感知机 MLP + 反向传播 | 3 | ★ ✅ |
| N2 | 激活函数族（ReLU/GELU/SwiGLU…） | 2 | ✅ |
| N3 | 损失函数族（MSE/CE/Focal/Triplet） | 2 | ✅ |
| N4 | 优化器族（Adam/RMSprop/AdamW） | 3 | ✅ |
| N5 | 正则化（Dropout/BatchNorm/LayerNorm） | 3 | ✅ |
| N6 | 参数初始化（Xavier/He） | 2 | ✅ |

## C · 卷积神经网络 CNN
| # | 模型 | 难度 | 状态 |
|---|---|---|---|
| C1 | 卷积/池化基础 | 3 | ★ ✅ |
| C2 | LeNet-5 | 2 | ✅ |
| C3 | AlexNet | 3 | ✅ |
| C4 | VGG | 3 | ✅ |
| C5 | ResNet（残差连接） | 4 | ★ ✅ |
| C6 | Inception / GoogLeNet | 4 | ✅ |
| C7 | MobileNet（深度可分离卷积） | 3 | ✅ |
| C8 | U-Net（语义分割） | 4 | ✅ |
| C9 | 目标检测（YOLO / Faster R-CNN 概念） | 4 | ✅ |

## R · 循环与序列 RNN / Sequence
| # | 模型 | 难度 | 状态 |
|---|---|---|---|
| R1 | RNN 基础 | 3 | ★ ✅ |
| R2 | LSTM | 4 | ★ ✅ |
| R3 | GRU | 3 | ✅ |
| R4 | 双向 RNN / Seq2Seq | 3 | ✅ |
| R5 | Attention 注意力机制 | 3 | ★ ✅ |
| R6 | 隐马尔可夫模型 HMM | 4 | ✅ |

## T · Transformer & 大模型
| # | 模型 | 难度 | 状态 |
|---|---|---|---|
| T1 | Transformer（自注意力） | 4 | ★ ✅ |
| T2 | BERT | 4 | ✅ |
| T3 | GPT | 4 | ✅ |
| T4 | Vision Transformer ViT | 4 | ✅ |
| T5 | LoRA / 参数高效微调 | 5 | ✅ |
| T6 | 提示工程 / In-context Learning | 3 | ✅ |

## G · 生成模型 Generative
| # | 模型 | 难度 | 状态 |
|---|---|---|---|
| G1 | 自编码器 Autoencoder | 3 | ★ ✅ |
| G2 | 变分自编码器 VAE | 4 | ★ ✅ |
| G3 | 生成对抗网络 GAN | 4 | ★ ✅ |
| G4 | DCGAN | 4 | ✅ |
| G5 | StyleGAN | 5 | ✅ |
| G6 | 扩散模型 Diffusion (DDPM) | 5 | ★ ✅ |
| G7 | DDIM / Stable Diffusion 概念 | 5 | ✅ |
| G8 | Normalizing Flow | 5 | ✅ |

## GR · 图与推荐 Graph & RecSys
| # | 模型 | 难度 | 状态 |
|---|---|---|---|
| GR1 | 图神经网络 GNN 基础 | 4 | ✅ |
| GR2 | GCN（图卷积网络） | 4 | ★ ✅ |
| GR3 | GAT（图注意力） | 4 | ✅ |
| GR4 | GraphSAGE | 4 | ✅ |
| GR5 | 协同过滤 / 矩阵分解 | 3 | ✅ |

## RL · 强化学习 Reinforcement Learning
| # | 模型 | 难度 | 状态 |
|---|---|---|---|
| RL1 | Q-Learning | 3 | ★ ✅ |
| RL2 | SARSA | 3 | ✅ |
| RL3 | Deep Q-Network DQN | 4 | ★ ✅ |
| RL4 | Policy Gradient (REINFORCE) | 4 | ✅ |
| RL5 | Actor-Critic / A2C | 4 | ✅ |
| RL6 | PPO | 5 | ✅ |

---

## 进度统计

- **已发布：63 / 63**（20 个 ★ 核心 + 43 个进阶，全部完成）
- 类别覆盖：**10 / 10** 全覆盖
- 全部 63 个模型单元已完成，覆盖全部 10 大类别

> 想贡献一个新模型？见 [`CONTRIBUTING.md`](../CONTRIBUTING.md) 与 [`docs/conventions.md`](conventions.md)，运行 `python scripts/new_model.py <slug> <category>` 生成骨架。