TOPIC / 技术方向
机器学习与深度学习
一个方向,串起完整学习路径。
技术文章
系统教程

PyTorch 深度学习教程
本课程面向具备 Python 基础、希望系统学习深度学习开发的学习者,从 PyTorch 环境搭建、张量运算和自动求导出发,循序讲解神经网络构建、数据加载、卷积网络、序列模型、迁移学习、训练优化、模型评估与部署。课程强调原理理解、可运行实践和工程规范,最终帮助学习者独立完成模型训练、调优、导出和服务化交付。

深度学习基础教程
面向具备基础 Python 编程能力、希望系统进入深度学习领域的学习者。课程以 PyTorch 2.x 为主要实践框架,从张量、自动微分和神经网络原理起步,逐步学习优化、正则化、卷积网络、序列模型、Transformer 与生成模型,并覆盖数据管线、实验管理、性能优化、部署监控和常见故障排查,最终完成一个可复现、可评估、可交付的综合项目。

PyTorch 入门到部署实战
面向具备 Python 基础、希望进入深度学习开发的学习者,以 PyTorch 2.x 为主线,从环境配置、张量与自动微分开始,逐步学习神经网络构建、数据管道、训练优化、卷积网络、序列模型、Transformer 和迁移学习,并通过完整项目掌握实验管理、性能加速、模型导出、部署监控与常见故障排查。

推荐系统实战:从召回排序到在线服务
推荐系统从离线算法走到线上业务,难点不只在模型精度,还在候选生成、特征一致性、实时性能与实验闭环。课程以信息流推荐为主线,覆盖协同过滤、矩阵分解、双塔召回、向量检索、排序模型、离线评估和 A/B 测试,完成可评测、可部署的在线推荐服务。

CNN 从卷积原理到图像分类部署
图像分类模型常能跑通,却容易在卷积尺寸、梯度传播、过拟合和部署性能上失控。课程以 PyTorch 为实验框架,从像素张量、卷积和感受野推到残差网络、迁移学习、可解释性与推理优化,最终能独立训练、诊断并部署可靠的 CNN 图像分类模型。

人工智能基础教程
本课程面向零基础学习者、产品人员和初级开发者,系统介绍人工智能的发展脉络、数据与算法基础、机器学习、深度学习、计算机视觉、自然语言处理和生成式 AI。课程强调概念与实践结合,通过小型实验、模型评估和综合项目,帮助学习者建立完整知识框架,理解常见技术的适用边界,并具备继续学习与参与 AI 项目的基础能力。

TensorFlow 深度学习教程
本课程面向具备 Python 基础、希望系统学习深度学习开发的学习者,从数学与神经网络基础出发,循序讲解 TensorFlow 张量计算、自动微分、Keras 建模、数据管道、卷积网络、序列模型、迁移学习、模型优化与部署。课程强调原理理解、可运行实践和工程规范,最终帮助学习者独立完成模型训练、评估、调优、导出和服务化部署。

机器学习基础教程
本课程面向具备 Python 基础、希望系统进入机器学习领域的学习者,从机器学习基本概念、数学直觉和数据处理出发,循序讲解回归、分类、决策树、集成学习、聚类、降维、特征工程、模型评估与超参数调优。课程强调可运行实践、结果解释和工程规范,最终帮助学习者独立完成从数据分析、模型训练到部署交付的完整机器学习项目。
知识速查
专项题库
机器学习模型评估调优练习
面对模型准确率忽高忽低、训练集很好而验证集变差等问题,练习比较分类与回归指标、识别过拟合与数据泄漏,并根据验证结果选择合理的调参与模型改进方向。
机器学习基础与工程判断
覆盖机器学习的核心概念与工程判断:过拟合与偏差方差诊断、正则化与特征缩放、数据泄漏的四种形态、交叉验证的正确用法、不平衡数据的指标与处理、ROC-AUC 与 PR-AUC 的选择、集成学习、缺失值处理,以及从问题定义到 A/B 验证的完整项目流程。考点覆盖参考 alirezadir/Machine-Learning-Interviews 与 microsoft/AI-For-Beginners(均为 MIT),题干、答案与提示为中文原创。
