学习目标与前置

适合会阅读基础代码、希望建立完整概念框架的学习者。主线共 21 步,不要求先购买模型服务。先用手算、虚构数据与纸上流程完成每步任务;实际训练或调用留到条件具备后。

学习方法

每一步先读笔记,再完成下方验证任务,最后不看笔记复述核心概念。页头前置与页底来源可帮助查漏;这条主线覆盖入门关系,不以读完概念笔记冒充实践熟练度。

完成标准

留下一个资料问答应用的任务契约、模型选型表、数据流、权限边界与评估计划。每个设计决策都能说明输入、输出、失败和检查方法。若要先做实测,可转到 四步应用入门 复现现有关键词实验。

继续深入

应用系统见 RAG 与智能体工程;参数学习见 模型训练与对齐;视觉、生成和语音见 多模态支线。

传统算法与统计见 传统 ML 支线;测试、发布和监控见 MLOps 支线。全部知识清单和综合验收见 系统大纲。

核验范围

2026-10-07:按本批笔记的前置关系组织主线,设计验证任务;训练、向量模型与生成 API 实践未执行。

  1. 01

    建立 AI 全景与学习顺序

    验证任务:选定目标路径,列出每个模块的输入、输出与一个失败案例。

  2. 02

    AI 数学基础:张量、梯度与概率

    验证任务:写张量形状,手算一次梯度更新,解释条件概率的方向。

  3. 03

    机器学习工作流:任务、数据与泛化

    验证任务:写数据字典、划分理由、泄漏反例和多数类基线。

  4. 04

    数据与特征管线:先划分,再拟合

    验证任务:为数值/类别字段写处理方案,标注所有 fit 的训练来源。

  5. 05

    监督学习算法:线性、树、集成与距离

    验证任务:对照基线、线性和树模型,写预处理、假设与成本。

  6. 06

    机器学习评估:指标、阈值与交叉验证

    验证任务:手算混淆矩阵,写阈值、分组/时间划分与测试隔离理由。

  7. 07

    深度学习训练:计算图、损失与优化

    验证任务:标注训练循环与梯度清零位置,解释两组假想曲线。

  8. 08

    优化与正则化:学习率、泛化与训练曲线

    验证任务:手算一步 SGD,为三种训练曲线写单因素检查计划。

  9. 09

    PyTorch 训练实践:数据、梯度与 checkpoint

    验证任务:标注训练循环的形状与梯度状态,列保存和重载清单。

  10. 10

    Token 与上下文

    验证任务:列出输入预算,说明为什么字符数不能代替 token 数。

  11. 11

    Transformer:注意力、位置与生成

    验证任务:画因果掩码,标注注意力形状,解释训练与生成的并行差别。

  12. 12

    AI 模型选型:先看任务,再比较模型

    验证任务:填写三类任务的模型选型表,标记尚未核验的字段。

  13. 13

    提示设计:任务、上下文、示例与输出约束

    验证任务:写六部分任务契约与五个固定输入、预期输出。

  14. 14

    结构化输出与工具调用:格式正确之后还要验证

    验证任务:写工具 schema、五个失败输入和独立授权检查。

  15. 15

    Embedding 与向量检索:表示、相似度和索引

    验证任务:手算点积与余弦,设计语义、编号、否定和版本查询。

  16. 16

    让答案回到证据

    验证任务:构造引用存在但结论越界的反例,指出缺失证据。

  17. 17

    智能体执行循环:模型、工具、状态与停止

    验证任务:模拟成功、缺证据、超时和重复调用四条执行轨迹。

  18. 18

    评估基线

    验证任务:定义输入、预期、实际、失败四列和固定命中规则。

  19. 19

    LLM 评估:样本、评分、评判模型与回归

    验证任务:设计十个测试样本、独立评分规则与错误类别。

  20. 20

    AI 推理工程:延迟、缓存、吞吐与复现

    验证任务:设计三种负载,明确延迟、吞吐、质量与缓存比较口径。

  21. 21

    视觉与视觉语言模型:像素、任务与坐标

    验证任务:区分标签、框、掩码与文字输出,手算 resize 后坐标。