learn-ai（🧪 Beta公测版）

Warning

🧪 Beta公测版本提示：教程主体已完成，正在优化细节，欢迎大家提Issue反馈问题或建议。

图解 AI · 一行代码看懂一个概念

从感知机到大模型 · 55 篇文章 · 200+ 张图解 · 100+ 个可运行代码示例

目录 · 快速开始 · 章节结构 · 文档站点 · 贡献

---

为什么做这个仓库

AI 领域每天都有新论文、新框架、新名词。但真正关键的底层原理并不多——神经网络的训练、反向传播、注意力机制、强化学习的 Bellman 方程——几十年没变过。

这个仓库的目标：用最直观的图解，配上一跑就能看到结果的代码，把 AI 的核心概念一个一个讲清楚。

每篇文章只聚焦一个知识点，20-30 分钟读完。所有代码默认 CPU 运行，消费级笔记本就能跑，GPU 作为可选项。

项目受众

本项目面向以下人群，帮助学习者系统建立 AI 知识体系：

人群	能获得什么	基础要求
在校学生 / 转行学习者	从感知机到大模型的完整知识体系	会一门编程语言（Python 最佳）、基础高数
大模型重度使用者（日常用 ChatGPT/Claude）	理解 LLM 底层原理：Transformer、RLHF、RAG、推理优化	无需 ML 工程经验
ML 工程师（已会深度学习）	补经典 ML 理论 + 算法数据结构基础	熟悉 PyTorch/TensorFlow
软件工程师转 AI	ML 理论 + DL 实战 + CV/NLP/RL 全链路	有工程经验，缺 ML 数学
其他行业转行 AI	够用、能上手、能面试的核心内容	不限 CS 背景，肯动手跑代码
面试冲刺者	高频考点速通复习	已学过一遍
算法竞赛选手	算法与数据结构图解（algo01-algo16）	有编程基础

所有代码默认 CPU 运行，消费级笔记本即可跑通。每章 20-30 分钟读完：读正文（30min）→ 推公式（30min）→ 跑代码（30min）→ 做练习（30min）。

在线阅读

https://deconbear.github.io/learn-ai/

📑 目录总览

阶段一：机器学习基石（4 篇）

编号	标题	核心内容	代码实操	状态
s01	AI 全景图	AI/ML/DL 关系、三大范式、发展简史	NumPy 手写感知机	✅
s02	线性回归	模型-损失-优化三要素、梯度下降	从零实现 + 正规方程 + sklearn 对比	✅
s03	逻辑回归与分类	Sigmoid、交叉熵、Softmax 多分类	手写二分类 + 多分类器	✅
s04	过拟合与正则化	Bias-Variance 权衡、L1/L2、交叉验证	多项式拟合 + 正则化路径 + K-Fold	✅

阶段二：经典机器学习（5 篇）

编号	标题	核心内容	代码实操	状态
ml01	k-近邻与距离度量	k-NN、距离度量、维数灾难	KNN 分类器 + 决策边界可视化	✅
ml02	贝叶斯决策理论	先验/后验、最小风险决策、ROC/AUC	高斯贝叶斯分类器	✅
ml03	朴素贝叶斯	条件独立性、高斯/多项式 NB、拉普拉斯平滑	垃圾邮件检测 + 文本分类	✅
ml04	支持向量机 (SVM)	最大间隔、对偶问题、核技巧、软间隔	线性 SVM + RBF 核可视化	✅
ml05	决策树	ID3/C4.5/CART、信息增益、剪枝	CART 决策树 + 决策面可视化	✅

番外：经典机器学习进阶（9 篇，可选）

编号	标题	核心内容	代码实操	状态
ml06	集成学习：Bagging 与随机森林	Bootstrap、OOB、特征子空间	随机森林 + 特征重要性	✅
ml07	集成学习：Boosting 与 Stacking	AdaBoost、GBDT、XGBoost	AdaBoost + 简单 GBDT	✅
ml08	聚类	K-Means、DBSCAN、层次聚类	聚类算法对比可视化	✅
ml09	降维与特征工程	PCA、t-SNE、LDA	PCA 手写 + t-SNE 可视化	✅
ml10	蒙特卡洛方法	MC 积分、重要性采样、MCMC	π 估计 + Metropolis-Hastings	✅
ml11	隐马尔可夫模型 (HMM)	前向算法、Viterbi、Baum-Welch	HMM + 词性标注	✅
ml12	EM 算法与高斯混合模型	E-Step/M-Step、GMM、ELBO	GMM 聚类 + 软分配可视化	✅
ml13	概率图模型	贝叶斯网、d-分离、信念传播	变量消除 + 因子图推理	✅
ml14	核方法与高斯过程	核技巧、KRR、GP 回归	GP 回归 + 不确定性可视化	✅

阶段三：深度学习基础（5 篇）

编号	标题	核心内容	代码实操	状态
s05	计算图与前向传播	计算图、感知机、激活函数深度解析	纯 NumPy 搭建 MLP	✅
s06	反向传播与链式法则	局部梯度规则、链式法则、fan-out	从零实现 mini autograd 引擎	✅
s07	多层网络的矩阵反传	δ 递推公式、梯度检查、消失/爆炸	手写 MLP + 梯度检查	✅
s08	优化器：从 SGD 到 Adam	Momentum、RMSProp、自适应步长	四种优化器轨迹对比	✅
s09	Adam 深度解析	偏差修正、AdamW、梯度裁剪、诊断	MNIST 训练 + 优化器对比	✅

阶段四：计算机视觉（5 篇）

编号	标题	核心内容	代码实操	状态
s10	CNN 核心原理	卷积、池化、感受野、参数共享	从零实现 Conv2d + 特征图	✅
s11	经典架构演进	LeNet → ResNet → EfficientNet	从零写 ResNet 训练 CIFAR-10	✅
s12	目标检测	R-CNN → YOLO、IoU、NMS、mAP	从零实现 IoU + NMS	✅
s12b	Vision Transformer	Patch Embedding、位置编码	ViT vs CNN 对比实验	✅
s13	图像生成	GAN、VAE、扩散模型原理	训练 GAN + VAE 生成 MNIST	✅

阶段五：自然语言处理（5 篇）

编号	标题	核心内容	代码实操	状态
s14	文本表示	词袋→TF-IDF→word2vec	训练 Skip-gram + 词向量可视化	✅
s15	序列模型	RNN、LSTM、GRU 门控机制	字符级语言模型 + 情感分类	✅
s16	Attention & Transformer	Q/K/V、多头注意力、位置编码	从零实现 nanoGPT	✅
s17	预训练范式	BERT vs GPT、MLM vs CLM	BERT 微调 + 掩码预测	✅
s18	大语言模型	Scaling Law、涌现、RLHF/DPO	LoRA 微调 + DPO 对齐	✅

阶段六：强化学习（3 篇）

编号	标题	核心内容	代码实操	状态
s19	强化学习入门	MDP、Q 表、ε-greedy、Bellman	Q-Learning 走迷宫	✅
s20	深度强化学习	DQN、经验回放、REINFORCE	DQN 玩 CartPole	✅
s21	RLHF	PPO、DPO、Reward Model	PPO + DPO 对比训练	✅

阶段七：前沿与应用（4 篇）

编号	标题	核心内容	代码实操	状态
s22	多模态模型	CLIP、对比学习、LLaVA 架构	CLIP 零样本分类	✅
s23	RAG 与 AI Agent	检索增强、ReAct、工具调用	完整 RAG + Agent 系统	✅
s24	部署与推理优化	KV Cache、量化、Flash Attention	KV Cache + INT8 量化	✅
s25	AI 安全与对齐	幻觉、越狱、偏见、深度防御	安全扫描 + 幻觉检测	✅

附录：算法与数据结构基础（16 节，默认折叠）

编号	标题	核心内容	代码实操	状态
algo01	复杂度分析	大 O/Ω/Θ、主定理、均摊分析	排序算法复杂度对比	✅
algo02	数组链表哈希表	动态数组、链表、哈希表、LRU	各数据结构手写实现	✅
algo03	栈与队列	单调栈/队列、表达式求值	表达式求值 + 滑动窗口	✅
algo04	树与二叉树	遍历、BST、AVL 旋转、哈夫曼	BST + AVL 手写实现	✅
algo05	堆并查集跳跃表	堆排序、路径压缩、SkipList	堆 + 并查集 + Kruskal	✅
algo06	图论基础	存储方式、BFS/DFS、拓扑排序	图的遍历 + 拓扑排序	✅
algo07	最短路径	Dijkstra、Bellman-Ford、Floyd、A*	最短路算法全实现	✅
algo08	MST 与网络流	Prim/Kruskal、Dinic、二分图匹配	MST + 最大流	✅
algo09	贪心算法	活动选择、哈夫曼编码、区间调度	贪心 + 正确性证明	✅
algo10	递归分治与二分	归并排序、快速排序、二分查找	分治算法 + 逆序对	✅
algo11	动态规划（上）	背包、LCS、LIS、编辑距离	DP 经典问题全实现	✅
algo12	动态规划（下）	区间/树形/状压/数位 DP	高级 DP + 优化	✅
algo13	字符串算法	KMP、Trie、AC 自动机、Manacher	字符串匹配全家桶	✅
algo14	线段树与树状数组	BIT、线段树、懒标记、可持久化	线段树 + BIT 手写	✅
algo15	数论与组合数学	快速幂、筛法、CRT、组合数	数论算法 + 取模运算	✅
algo16	计算几何与博弈论	叉积、凸包、Nim、SG 函数	Graham Scan + Nim 求解	✅

---

🧭 学习路径推荐

不同背景的学习者，建议的学习顺序不同：

路径	适用人群	推荐顺序
🔵 系统学习	AI 零基础，建立完整知识体系	阶段一 → 二 → 三 → 四/五/六/七，按序推进
🟡 LLM 重度用户	日常用 ChatGPT/Claude，想懂原理	s01 → s14-s18(NLP) → s21(RLHF) → s22-s23(多模态/RAG) → s25(安全)
🟢 ML 工程师	已会深度学习，补经典 ML 理论	阶段二（ml01-ml05 必修）→ 番外（集成树/聚类/降维）→ 附录算法
🟠 开发转 AI	有编程基础，缺 ML 理论和 DL 实战	阶段一速览 → ml01/04/05 → 阶段三~七全量
🔵 其他行业转行	非 CS/数学背景，目标上手+面试	s01-s04 直觉→ml01/04/05→s05-s09 入门→s10/s16/s18 项目→s23/s25 加分
🟣 面试冲刺	已学过，快速复习高频考点	s02-s04 → ml04(SVM) → ml05(树) → s06-s09 → s16 → s18 → s21 → s25
🔴 算法竞赛	只关注算法与数据结构	直接看附录 algo01 → algo16，其余章节按需查阅

💡 番外篇（集成学习、聚类、降维、蒙特卡洛、HMM、EM、概率图、高斯过程）在阶段二之后，默认折叠。内容独立、互不依赖，可按需跳读。

🚀 快速开始

# 1. 克隆仓库
git clone https://github.com/DeconBear/learn-ai.git
cd learn-ai

# 2. 安装 Python 依赖
pip install -r requirements.txt

# 3. 运行任意章节的代码
cd s01_ai_overview/code
python demo.py

# 4. 启动文档站点（可选）
npm install
npm run dev

📂 每章结构

sXX_topic/
├── index.md               # 图解正文（核心阅读材料）
├── code-demo.md           # demo.py 保姆级逐段讲解
├── code-exercise.md       # exercise.py 练习指南
├── code/
│   ├── demo.py            # 完整教学代码（中文注释）
│   └── exercise.py        # 动手练习（含 TODO）
└── images/                # 手绘图解

贡献者名单

姓名	职责	简介
DeconBear	项目负责人	从感知机到大模型，图解 AI 核心概念

本项目目前由项目负责人独立完成全部 55 章内容。欢迎通过 Issue / PR 参与贡献，贡献者将在此处登记。

参与贡献

• 如果你发现了一些问题，可以提Issue进行反馈，如果提完没有人回复你可以联系保姆团队的同学进行反馈跟进~
• 如果你想参与贡献本项目，可以提Pull Request，如果提完没有人回复你可以联系保姆团队的同学进行反馈跟进~
• 如果你对 Datawhale 很感兴趣并想要发起一个新的项目，请按照Datawhale开源项目指南进行操作即可~

关注我们

扫描下方二维码关注公众号：Datawhale

致谢

受以下优秀项目启发：

• learn-claude-code — 仓库结构理念
• 3Blue1Brown — 「先直觉，后公式」的教学哲学
• nanoGPT — 从零实现的教学思路
• Distill.pub — 图解学术文章先驱

LICENSE

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。

教程内容（文章、图解）采用 CC BY-NC-SA 4.0 协议；配套示例代码沿用 MIT 协议，可自由使用。