AI LEARNING COURSE · 中文互动课

AI 学习课程

沿着一条连续路线学习张量、模型训练、PyTorch、CNN、Transformer、强化学习和知识问答。每节课都包含图解、数字演算、代码与自测。

从第一节开始查看完整大纲

18 节已完成的主线互动课件

1 节向量与矩阵求导补充课

图解与实验用例子理解，再动手验证

课程路线

建议按顺序学习。已经理解的部分可以快速通过自测；遇到形状、矩阵求导或广播问题时，先回到对应基础课。每个项目都明确区分教学实验和真实系统。

FOUNDATION

训练模型的基础

先理解数据的形状、参数如何影响损失，以及怎样判断模型是否真的有效。

01张量与必要基础形状、轴、reshape、交换轴、广播与 NumPy 训练→ 数学向量与矩阵求导梯度、雅可比、矩阵参数梯度和数值差分→ 02模型怎样学习损失、梯度下降、反向传播与批次训练→ 03判断模型是否有效数据划分、过拟合、指标、正则化与泄漏→

MACHINE LEARNING

机器学习全流程

认识常用方法，并完成一次从数据到报告的表格项目。

04常见机器学习方法决策树、森林、提升、K-means 与 PCA→ 05表格数据项目预处理、交叉验证、基线、错误分析与报告→

DEEP LEARNING

深度学习实践

使用 CPU 版 PyTorch 训练、诊断并评估神经网络。

06PyTorch 基础Tensor、autograd、DataLoader、训练循环与保存→ 07训练更可靠的神经网络激活、初始化、Adam、Dropout 与归一化→ 08卷积神经网络卷积、通道、池化、感受野与数据增强→ 09图像分类项目从头训练、迁移学习、混淆矩阵与误判分析→

LANGUAGE MODELS

Transformer 与大语言模型

从 Token 和序列开始，逐步搭出注意力与小型 Transformer。

10文本与序列建模Token、Embedding、批次、RNN 与 LSTM→ 11注意力机制Q/K/V、softmax、因果掩码与多头形状→ 12Transformer残差、LayerNorm、前馈网络与逐字生成→ 13大语言模型的训练与使用预训练、SFT、对齐、采样、幻觉与 RAG→

REINFORCEMENT LEARNING

强化学习

先在小网格理解序列决策，再连接神经网络和语言模型对齐。

14从预测走向决策状态、动作、奖励、回报、V/Q 与 Bellman→ 15表格型强化学习价值迭代、MC、TD、Q-learning 与 SARSA→ 16深度强化学习与 DQN经验回放、目标网络、探索与多种子评估→ 17策略梯度与大语言模型对齐REINFORCE、优势、PPO、RLHF 与 DPO→

FINAL PROJECT

知识问答项目

把前面的检索、模型边界和评估意识带进一个可核查的应用。

18构建知识问答系统切分、TF-IDF、余弦检索、上下文与来源引用→

19评估与改进待制作检索质量、回答质量、失败类型与改动对照

20整理毕业项目待制作代码、说明、测试集、实验记录与已知局限

学习建议：先看图解和数字例子，再尝试交互演示，最后用自测检查理解。配套代码的运行方法见各节课件。