15-CHAPTER CURRICULUM
从基础到多模态与工程交付
先建立共同底座，再沿语言、检索、视觉、多模态和部署分支深入。
CHAPTER 00 · OVERVIEW00
第 0 章 · 大模型全景与分类
认识语言、视觉、多模态、Embedding、行业与科学大模型，建立共同底座和分支学习路线。
进入本章 →CHAPTER 01 · CODE01
第 1 章 · Python 基础
从下载与安装、解释器和 Python 速览开始，覆盖控制流、数据结构、模块、输入输出、异常，并完成命令行词频项目。
进入本章 →CHAPTER 02 · DATA02
第 2 章 · 数据处理
NumPy、Pandas、Matplotlib 与数据清洗，把表格变成可观察的样本。
进入本章 →CHAPTER 03 · MATH03
第 3 章 · 数学直觉
向量、矩阵、概率、交叉熵与梯度下降，理解公式在做什么。
进入本章 →CHAPTER 04 · ML04
第 4 章 · 机器学习
从任务定义、数据切分和泄漏开始，系统学习回归、分类、泛化、树模型、聚类、降维与端到端实验。
进入本章 →CHAPTER 05 · DL05
第 5 章 · 神经网络
从神经元、前向传播和损失函数开始，理解自动微分、优化器、数据管道、正则化、卷积与端到端训练。
进入本章 →CHAPTER 06 · PYTORCH06
第 6 章 · PyTorch 实战
从环境、Tensor、Dataset 和 nn.Module 开始，完成训练循环、MNIST 分类、调试、保存加载与可复现实验。
进入本章 →CHAPTER 07 · NLP07
第 7 章 · 文本与表示
从 Unicode、Token、词表和 Embedding 开始，完成相似度、文本分类、语义检索与可解释评估。
进入本章 →CHAPTER 08 · TRANSFORMER08
第 8 章 · Transformer
从注意力、位置编码和编码器解码器开始，完成因果生成、PyTorch 迷你模型与参数高效微调基础。
进入本章 →CHAPTER 09 · LLM09
第 9 章 · 大语言模型
从下一个 Token、数据与词表，到指令微调、对齐、推理、工具调用和评估，建立可验证的语言模型工作流。
进入本章 →CHAPTER 10 · EMBEDDING & RAG10
第 10 章 · Embedding 与 RAG
从向量表示、相似度与索引，到文档分块、混合检索、引用和评估，完成可验证的知识库问答。
进入本章 →CHAPTER 11 · VISION11
第 11 章 · 视觉大模型
从图像数据、卷积和 ViT，到视觉语言模型、生成、评估与安全，完成可验证的视觉 AI 工作流。
进入本章 →CHAPTER 12 · MULTIMODAL12
第 12 章 · 多模态大模型
从任务契约、文本/图像/音频表示，到对齐、融合、工具协作、评估与安全，完成可验证的多模态助手。
进入本章 →CHAPTER 13 · DOMAIN & SCIENCE13
第 13 章 · 行业与科学大模型
从任务合同、领域数据与适配开始，学习医疗、金融、法律、蛋白质、分子和科学模拟模型的证据、评估与治理。
进入本章 →CHAPTER 14 · DELIVERY14
第 14 章 · 训练、部署与评估
从可复现实验、数据管线与分布式训练，到推理服务、评估、监控、安全、灰度和回滚，完成可运营的模型工程交付。
进入本章 →FOUNDATION MAP
四条基础线并行推进
遇到难点时，回到对应的基础线补一小块，不需要推倒重来。
代码
先让计算机听懂你的想法。
- Python 与数据结构
- NumPy / Pandas
- PyTorch 训练循环
数学
用最少的公式解释最多的现象。
- 向量与矩阵
- 概率与交叉熵
- 梯度与优化
模型
理解数据怎样变成预测。
- 回归与分类
- 神经网络
- Token 与 Embedding
实践
每一段知识都留下可运行的结果。
- 小练习与可视化
- 错误记录与复盘
- 一个综合项目
STUDY METHOD
学习资料的使用方式
用一套固定动作，降低开始学习的阻力。
先理解一件事
每次只处理一个概念，用自己的话说清楚“它解决什么问题”。
再写最小代码
把公式或流程压缩成一个可以运行、可以观察结果的小例子。
最后主动回忆
合上资料复述一次，并留下一个仍然模糊的问题给下一轮。
REFERENCE DESK
基础阶段资料台
先使用官方文档和可运行示例，遇到具体问题再扩展阅读。