AI 学习中心

神经网络权重就是矩阵，嵌入向量是高维空间中的点。通过交互式可视化理解向量运算、矩阵乘法与线性变换。

• →理解权重矩阵如何变换数据
• →读懂 embedding 与 attention 中的点积
• →建立高维空间的几何直觉

反向传播的本质是链式法则，梯度下降依赖偏导数。学习导数、梯度与多元函数的基本概念。

• →理解 loss 曲面与梯度方向
• →读懂反向传播的数学原理
• →掌握学习率与优化器的关系

损失函数、正则化、不确定性估计都建立在概率之上。学习常见分布、期望方差与贝叶斯思想。

• →理解交叉熵与 KL 散度
• →区分频率派与贝叶斯视角
• →评估模型的不确定性

从线性回归到决策树，理解模型如何拟合数据、如何避免过拟合，以及常见的评估指标。

• →区分训练集、验证集与测试集
• →理解 bias-variance tradeoff
• →选择合适的评估指标

从单层感知机到多层网络，理解前向传播、反向传播与非线性激活的作用。

• →手推简单网络的梯度
• →理解 ReLU、Softmax 等激活函数
• →读懂 PyTorch / TensorFlow 的计算图

卷积网络处理图像，序列模型处理文本，Transformer 统一了现代 NLP 与多模态架构。

• →理解卷积与池化的作用
• →读懂 self-attention 机制
• →了解预训练与微调范式

数据预处理、损失函数选择、学习率调度与早停策略——把模型真正训练好需要的工程知识。

• →设计合理的训练流程
• →诊断欠拟合与过拟合
• →系统化搜索超参数

当数据放不进单机内存、扫描耗时过长时，就需要分布式处理。通过交互演示理解规模拐点、MapReduce 流水线、批流权衡与分区倾斜。

• →判断何时需要离开单机
• →读懂 Map → Shuffle → Reduce
• →识别批/流选型与数据倾斜