Systematic Learning
深度学习核心技术研习
从神经网络基础到现代大语言模型架构，构建完整的技术知识体系。涵盖数学基础、算法原理、工程实践三个维度。
核心技术模块
按照技术演进路线，循序渐进掌握关键知识
数学基础
线性代数、微积分、概率统计是理解深度学习算法的基石。掌握矩阵运算、梯度下降、贝叶斯推断等核心概念。
向量空间
矩阵分解
优化理论
概率图模型
神经网络基础
从感知机到多层神经网络，理解前向传播、反向传播算法。掌握激活函数、损失函数、正则化等核心机制。
反向传播
梯度消失
BatchNorm
Dropout
卷积神经网络
计算机视觉的核心技术。学习卷积操作、池化层、经典架构（LeNet、ResNet、EfficientNet）的设计思想。
特征提取
感受野
残差连接
注意力机制
序列模型
处理时序数据和自然语言的基础。从RNN、LSTM到Transformer，理解序列建模的演进历程。
LSTM/GRU
词嵌入
Self-Attention
位置编码
Transformer架构
现代NLP的基石。深入理解多头注意力、前馈网络、层归一化等组件，掌握BERT、GPT系列模型的设计原理。
Multi-Head Attention
BERT
GPT架构
预训练策略
生成式模型
学习VAE、GAN、Diffusion Model等生成模型。理解潜在空间、对抗训练、扩散过程等核心概念。
VAE
GAN
Diffusion
流模型
推荐学习路径
从零基础到能够独立进行研究的完整进阶路线
1
基础阶段（4-6周）
掌握Python编程基础、NumPy/Pandas数据处理、Matplotlib可视化。同步学习线性代数和概率论基础，为后续算法学习打下坚实数学基础。
2
入门阶段（6-8周）
学习PyTorch框架使用，实现基础神经网络。理解反向传播算法原理，掌握模型训练的基本流程和调试技巧。
3
进阶阶段（8-12周）
深入学习CNN、RNN等经典架构，阅读原始论文复现经典模型。参与Kaggle竞赛，积累实际项目经验。
4
高阶阶段（持续）
研究Transformer架构，跟进大语言模型最新进展。选择特定方向深入（CV/NLP/多模态），阅读顶会论文并尝试复现。