学习路线
按主题整理已有文章，提供从基础概念到代码实践的推荐阅读顺序。
这里展示的是已有文章的推荐阅读顺序。每个节点都能打开对应笔记；学习进度保存在当前浏览器，可以随时重置。
文本处理、Transformer、微调与 RAG
自然语言与大模型
0 / 10 已读
- 文本处理已有笔记
理解分词、文本表示与预处理的基本流程。
文本处理：让自然语言变成模型能理解的数字 - Word2Vec已有笔记
理解词向量如何学习语义，并连接文本分类任务。
Word2Vec：从词向量训练到神经网络分类器 - Seq2Seq已有笔记
建立编码器与解码器的序列建模直觉。
Seq2Seq：从Encoder-Decoder到Attention与PyTorch实现 - Transformer已有笔记
理解 Q/K/V、注意力与 Transformer 的实现。
Transformer详解：从自注意力手算到PyTorch完整实现 - Mini-GPT已有笔记
用 PyTorch 复现一个字符级因果语言模型。
手写Mini-GPT：从因果语言模型到PyTorch完整实现 - Hugging Face已有笔记
串联模型加载、数据处理与微调流程。
Hugging Face详解：从模型下载到中文文本分类微调 - SFT 原理已有笔记
理解指令微调、对话模板与训练目标。
SFT（一）：从Next Token Prediction到指令微调 - LoRA 实践已有笔记
用 TRL 与 LoRA 完成参数高效微调。
SFT（三）：使用TRL SFTTrainer与LoRA微调对话模型 - QLoRA已有笔记
理解 4-bit 量化与低显存微调的配合。
SFT（四）：QLoRA的4-bit量化与LoRA微调原理 - RAG已有笔记
连接文档切分、向量检索与有来源的回答。
RAG检索增强生成：从向量检索到Hugging Face知识库问答
回归、分类、神经网络与模型评估
机器学习与深度学习
0 / 9 已读
- 线性回归已有笔记
从拟合直线理解损失函数与最小二乘法。
线性回归：从直觉到最小二乘法 - 梯度下降已有笔记
理解参数更新与学习率对收敛的影响。
梯度下降法：机器学习如何一步步找到最优解 - 逻辑回归已有笔记
从连续预测走向分类与概率输出。
逻辑回归：从直线到概率的分类算法 - 正则化已有笔记
理解过拟合与模型复杂度的取舍。
正则化与过拟合：让模型不只记住训练集 - 评估与调参已有笔记
用交叉验证与网格搜索比较模型。
交叉验证与网格搜索：让模型选择更可靠 - 决策树已有笔记
理解决策边界与树的划分过程。
决策树：像做选择题一样理解分类与回归 - 集成学习已有笔记
探索多个学习器如何协同工作。
集成学习：让多个模型一起做决定 - MLP / PyTorch已有笔记
连接神经网络、反向传播与训练代码。
MLP多层感知机：从原理到PyTorch实现 - AdamW已有笔记
理解自适应优化与权重衰减。
AdamW Optimizer：为什么要把权重衰减与梯度更新解耦
数据结构、操作系统、网络与组成原理
计算机基础
0 / 7 已读
前后端开发、STM32 与外设驱动
工程与嵌入式
0 / 7 已读