现代 AI 基础 图谱介绍
本图谱梳理现代 AI 的基础模型脉络：从线性模型与多层感知机出发，依次引入卷积神经网络与文本表示及词向量，覆盖深度学习入门所需的核心模型与训练方法。
席卷各行各业的大模型，并不是突然出现的。把它们拆解，核心仍是几十年里逐步积累、彼此叠加的基础技术。2017 年 Transformer 提出后，这条脉络被推进到大语言模型；而它的起点，不过是用一条直线去拟合数据。
本课程从最简单的线性模型出发，逐步构建出大语言模型的全貌。
学完之后
不止会用现成模型，更能 从零构建
亲手实现核心组件
从神经网络、卷积网络到 Transformer，乃至一个能运行的小型大语言模型，你都将从零写出来。
看懂前沿论文与代码
注意力、归一化、位置编码这些前沿模型里的部件，将不再是黑箱，而是你亲手搭过的东西。
贯通的工程能力
从数据处理、模型搭建到训练与调优，掌握一条完整、可迁移到真实任务的工程链路。
基础要求 悬停查看具体范围
零基础学习 现代 AI 的最佳实践
大模型浪潮的背后，是大量 AI 技术的更新迭代：有些经典技术逐渐淡出，有些却愈加重要。本课程兼顾 前沿时效性 + 系统完备性 ，是学习现代 AI 的「最小闭包」。
对输入加权求和，用一条直线拟合数据。点「训练」，看直线一步步逼近样本、损失持续下降。
叠加非线性，让模型能拟合弯曲的关系。点「训练」，分类边界会从直线逐渐弯折，把两类点分开。
未播放时，悬停输入或特征图任一格，两栏会联动。
用小窗口（卷积核）扫过图像，将窗口内的输入与核逐位相乘再求和，得到右侧特征图的一个值，专门处理图像这类数据。
把词变成向量，语义相近的词在空间里也相近。
悬停一个词，看它对句中各词的注意力分配
让每个词根据上下文，决定该关注句中的哪些词。
根据已有文字，逐词预测最可能的下一个词。