这门课到底在教什么
解决什么问题
现在做AI相关岗位，不管是算法工程师、数据分析师，还是想转行进这块的运营、产品，都会被问到"你会不会大模型""有没有动手调过模型"。但市面上很多课要么只讲概念，要么一上来就让你配环境、搭框架，还没学到东西就先被劝退。这个系列课的定位是"系统过一遍AI主流方向"——从传统机器学习到深度学习，再到当下最火的生成式AI和大模型应用，给你一个完整的知识地图，让你知道每条线怎么串联，而不是零零散散记几个名词。适合什么基础
课程没有要求你必须是CS科班或者数学系出身。如果你会一点Python基础，能跑通简单的脚本，就能跟上。它假设的起点是"听说过机器学习但没亲手写过代码"，所以前面的章节会从最基础的线性回归、分类器开始，逐步往上叠神经网络、CNN、RNN这些概念。如果你是完全零基础（连pip是什么都不知道），建议先花两天熟悉一下Python语法，再进场会更顺畅。建议先看哪几块
第一个月重点放在机器学习基础这一阶段——不要跳着看，尤其是梯度下降、过拟合这些核心概念，后面所有模型都建立在这些之上。第二个阶段进入深度学习，理解反向传播是怎么训练的。如果时间紧，可以先跳过一些数学推导细节，重点看代码演示和结果解读。最后生成式AI和大模型部分，结合当下的GPT、通义千问这些产品来理解原理会更容易。学完能独立做什么
完成整个系列后，你应该能够独立完成以下事情：用sklearn或PyTorch搭建一个标准的分类/回归模型；对图像数据做基础的卷积神经网络训练；理解Transformer的基本架构并在现有框架上调用大模型API做应用开发。更重要的是，当别人问你"深度学习跟传统机器学习区别在哪"的时候，你能用自己的话讲清楚，而不是只会背概念。资料怎么配合练习
每节课都有配套的代码笔记和练习数据集，建议边看边敲代码，不要只看不练。练习部分不用追求一次做完美，先让代码跑通，再看结果对不对。遇到报错是正常的，学会看报错信息比直接搜答案更有价值。如果某节课的内容实在理解不了，先跳过，后面可能会在其他章节有更直观的讲法。深度之眼–新版年度会员系列课–AI007【系统课】
本课程隶属 加密课程 · 深度之眼，完整课程目录与配套资料如下。
课程目录
深度之眼-人工智能研究生课程库/ 人工智能研究生课程库（课件）/ 01【软件安装及环境配置】资料/ Anaconda/ Anaconda3-5.3.1-Windows-x86_64.exe Anaconda介绍及安装教程.docx GPU驱动/ linux驱动安装.pptx win_gpu驱动安装.pptx Linux基础命令/ linux基础命令.pdf Python 3.6/ Python3.6安装教程.pdf Python安装文件百度云链接.txt python卸载及验证.pdf python配置环境变量.pdf Pytorch1.2/ 01-01-pytorch简介与安装.pdf 01-01-补充-ppt-pytorch开发环境安装.pdf Tableau Public/ TableauPublicDesktop-64bit-2020-3-0.exe Tableau安装教程.rtf Tensorflow2.1.0/ Ubuntu下安装教程.pdf tensorflow 2.0环境安装.pdf tensorflow安装环境测试.py mysql/ MySQL8.0安装教程.docx mysql-installer-community-8.0.21.0.msi navicate/ Navicate Premium 12.zip Navicate安装教程.docx 02 人工智能数学基础/ 助教Lyer作业讲解/ 参考治疗微积分作业PDF/ 【第五次作业】线性代数：SVD.pptx 微积分：多元微积分.pdf 微积分：导数和中值定理 + 泰勒公式函数极值定积分.pdf 线性代数作业PDF/ 【第一次作业】线性代数：矩阵及其运算.pdf 【第三次作业】线性代数：矩阵的初等变换+矩阵的秩.pdf 【第二次作业】线性代数：矩阵行列式+矩阵的逆.pdf 【第五次作业】线性代数：SVD.pdf 【第四次作业】矩阵的特征值和特征向量+矩阵的对角化二次型.pdf 数学基础 PDF课件.zip 03 Python基础+数据科学入门/ Python基础课件PDF版本合集/ 01 Python基础 第一章 绪论和环境配置.pdf 02 Python基础 第二章 Python基本语法元素.pdf 03 Python基础 第三章 基本数据类型 .pdf 04 Python基础 第四章 组合数据类型 .pdf 05 Python基础 第五章 程序控制结构 .pdf 06 Python基础 第六章 函数 .pdf 07 Python基础 第七章 类 .pdf 08 Python基础 第八章 文件、异常和模块.pdf 09 Python基础 第九章 有益的探索 .pdf 10 Python基础 第十章 Python标准库 .pdf 11 Python基础 第十一章 Numpy库 .pdf 12 Python基础 第十二章 Pandas库.pdf 13 Python基础 第十三章 Matplotlib库.pdf 14 Python基础 第十四章 Sklearn库.pdf 15 Python基础 第十五章 再谈编程.pdf 03代码及数据资料合集.zip 04 机器学习算法应用实战/ 课件合集PDF版本/ 01机器学习概述/ 01-01-机器学习概述.pdf 02线性回归/ 02-01-线性回归简介、数学符号、假设函数、损失函数、代价函数.pdf 02-02-梯度下降法.pdf 02-03-梯度下降法代码实现.pdf 02-04-使用梯度下降法求解线性回归问题.pdf 02-05-线性回归代码实现.pdf 02-06-线性回归代码实现-做特征归一化.pdf 02-07-批量梯度下降，随机梯度下降，小批量梯度下降.pdf 02-08-几种常见的模型评价指标.pdf 02-09-欠拟合与过拟合.pdf 02-10-Ridge回归求解与代码实现.pdf 02-11-LASSO回归求解.pdf 02-12-LASSO回归求解举例说明.pdf 02-13-LASSO回归代码实现.pdf 02-14-最小二乘法求线性回归.pdf 02-15-最小二乘法代码实现.pdf 02-16-使用Sklearn实现Ridge，LASSO和ElasticNet.pdf 02-17-波士顿房价预测.pdf 03逻辑回归/ 03-01-逻辑回归简介、假设函数、损失函数、成本函数.pdf 03-02-逻辑回归求解.pdf 03-03-一个示例解释逻辑回归的求解公式.pdf 03-04-逻辑回归代码实现.pdf 03-05-逻辑回归的正则化.pdf 03-06-逻辑回归实现多分类方法.pdf 03-07-使用Sklearn实现逻辑回归.pdf 03-08-案例：鸢尾花分类.pdf 03-09-案例：手写数字识别.pdf 04决策树/ 04-01-决策树简介、熵.pdf 04-02-条件熵及计算举例.pdf 04-03-信息增益、ID3算法.pdf 04-04-决策树代码实现.pdf 04-05-C4.pdf 04-06-基尼指数(Gini Index)生成决策树.pdf 04-07-决策树剪枝.pdf 04-08-决策树处理连续值与缺失值.pdf 04-09-多变量决策树.pdf 04-10-Sklearn实现决策树.pdf 04-11-案例：使用决策树进行个人信用风险评估.pdf 05朴素贝叶斯/ 05-01-贝叶斯决策简介.pdf 05-02-贝叶斯决策模型.pdf 05-03-朴素贝叶斯模型.pdf 05-04-朴素贝叶斯代码实现.pdf 05-05-拉普拉斯修正及代码实现.pdf 05-06-朴素贝叶斯如何处理连续型数据.pdf 05-07-Sklearn实现朴素贝叶斯.pdf 05-08-案例：垃圾邮件识别.pdf 06支持向量机/ 06-01-支持向量机简介.pdf 06-02-线性可分支持向量机(几何间隔，函数间隔，目标函数).pdf 06-03-拉格朗日乘子法求带有等式约束的极值问题.pdf 06-04-拉格朗日乘子法求带有不等式约束的极值问题、KKT条件.pdf 06-05-目标函数求解(1.pdf 06-06-目标函数求解(2.pdf 06-07-SVM求解举例.pdf 06-08-线性支持向量机的目标函数.pdf 06-09-线性支持向量机目标函数优化.pdf 06-10-非线性支持向量机简介.pdf 06-11-非线性支持向量机的目标函数.pdf 06-12-SMO算法推导结果.pdf 06-13-SVM代码实现.pdf 06-14-SMO算法推导过程.pdf 06-15-SVM总结.pdf 06-16-Sklearn实现SVM.pdf 06-17-案例：使用SVM完成人脸识别.pdf 07聚类/ 07-01-K-means基本原理及推导.pdf 07-02-K-means中距离计算方法.pdf 07-03-K-means代码实现.pdf 07-04-层次聚类原理及距离计算.pdf 07-05-层次聚类举例.pdf 07-06-Sklearn实现层次聚类.pdf 07-07-密度聚类.pdf 07-08-Sklearn实现密度聚类.pdf 07-09-高斯混合模型介绍.pdf 07-10-高斯混合模型参数估计.pdf 07-11-高斯混合模型代码实现.pdf 07-12-案例：对亚洲足球队进行聚类分析.pdf 08主成分分析/ 08-01-主成分分析介绍.pdf 08-02-协方差矩阵的特征值分解算法.pdf 08-03-协方差矩阵的特征值分解算法代码实现.pdf 08-04-基于数据矩阵的奇异值分解算法.pdf 08-05-基于数据矩阵的奇异值分解算法代码实现.pdf 08-06-Sklearn实现PCA.pdf 08-07-案例：PCA实现照片压缩.pdf 09集成学习/ 09-01-集成学习介绍.pdf 09-02-Voting能够提高准确度的原因.pdf 09-03-Voting原理.pdf 09-04-Voting代码实现.pdf 09-05-Bagging与随机森林及其代码实现.pdf 09-06-Boosting.pdf 09-07-Adaboost举例.pdf 09-08-AdaBoost代码实现.pdf 09-09-GBDT之提升和提升树概念.pdf 09-10-GBDT梯度提升树.pdf 09-11-XGBoost介绍，目标函数，正则项.pdf 09-12-XGBoost求解.pdf 09-13-XGBoost树结构生成.pdf 09-14-XGBoost代码实现.pdf 09-15-Stacking.pdf 09-16-Stacking 代码实现.pdf 代码资料汇总.zip 05 李航《统计学习方法》训练营（含无监督学习部分）/ 【最全版】/ 无监督学习部分/ 无监督学习部分课件/ 深度之眼第13章无监督学习概论2.0.pdf 深度之眼第14章聚类方法.pdf 深度之眼第15章奇异值分解.pdf 深度之眼第16章主成分分析.pdf 深度之眼第17章潜在语义分析.pdf 深度之眼第18章概率潜在语义分析2.0.pdf 深度之眼第19章马尔科夫链蒙特卡罗法.pdf 深度之眼第20章潜在狄利克雷分配2.0.pdf 深度之眼第21章PageRank算法.pdf 深度之眼第22章无监督学习方法总结.pdf 统计学习方法 无监督学习作业讲解资料/ 15/ 15.3 主成分分解.ipynb 15.5.ipynb 15.docx 16/ .ipynb_checkpoints/ 1.Numpy快速上手指南 --- 基础篇-checkpoint.ipynb 4PCA and SVD-checkpoint.ipynb PCA-checkpoint.ipynb data16-1-checkpoint.txt data16-4-checkpoint.txt myPCA-checkpoint.ipynb record-checkpoint.ipynb wine-checkpoint.ipynb PCA (1).pdf PCA.ipynb data16-1.txt data16-4.txt myPCA.ipynb myPCA.pdf readme.txt 为什么样本方差（sample variance）的分母是 n-1？ - 知乎.pdf 17/ test.py 第17章作业讲解.pptx 18/ plsa.py 第18章作业讲解.pptx 19/ 第19章作业讲解.pdf 20/ bbc_text.csv lda.py 第20章作业讲解.pptx 21/ page_rank.py 第21章作业讲解.pptx 监督学习部分/ PDF/ 1.1_导论.pdf 1.2_极大似然估计.pdf 1.3_梯度下降法.pdf 10.1_导论.pdf 10.2_前向算法.pdf 10.3_维特比算法.pdf 11.1_导论.pdf 11.2_拟牛顿法.pdf 11.3_条件随机场的矩阵形式.pdf 5.1_导读.pdf 6.1_导读.pdf 6.2_改进的迭代尺度法.pdf 7.1_导论.pdf 7.2_最大间隔分离超平面的存在唯一性.pdf 8.1_导论.pdf 8.2_前向分步算法.pdf 8.3_AdaBoost的训练误差.pdf 9.1_导论.pdf 9.2_EM算法的导出.pdf 9.3_高斯混合模型.pdf 改-2.1_导读.pdf 改-2.2_对偶形式.pdf 改-2.3_算法收敛性.pdf 改-3.1_导读.pdf 改-3.2kd树.pdf 改-4.1_导读.pdf 改-4.2_贝叶斯估计.pdf 改-4.3_后验概率最大化.pdf 改-5.2_剪枝.pdf 【监督学习部分】自编程作业代码下载/ Chap 10 隐马尔可夫模型/ hiden Markov model_exer.py Chap 2 感知机/ Perception.ipynb Perceptron.py skl_perceptron.py Chap3 KNN算法/ KNN_brute.py draw.py skl_KNN.py Chap3 k 近邻 暴力算法优化&kd树实现/ KNN_brute_improve.py KNN_kd_tree.py Chap4 朴素贝叶斯自编程实现/ NaiveBayes.py sk_NB.py Chap5 决策树/ Decision_Tree.py sk_DT.py Chap6 逻辑斯谛回归/ LogisticRegression_FullGrad.py LogisticRegression_SGD.py LogisticRegression_sklearn.py Chap7 支持向量机/ exercises7_2.py sk_SVM.py Chap9 EM算法/ EM.py speed_test.py chap8 提升方法/ Adaboost(1).py Adaboost_sk.py Statistical-Learning-Method_Code-master.zip 无监督学习部分/ 无监督学习部分课件/ 深度之眼第13章无监督学习概论2.0.pdf 深度之眼第14章聚类方法.pdf 深度之眼第15章奇异值分解.pdf 深度之眼第16章主成分分析.pdf 深度之眼第17章潜在语义分析.pdf 深度之眼第18章概率潜在语义分析2.0.pdf 深度之眼第19章马尔科夫链蒙特卡罗法.pdf 深度之眼第20章潜在狄利克雷分配2.0.pdf 深度之眼第21章PageRank算法.pdf 深度之眼第22章无监督学习方法总结.pdf 统计学习方法 无监督学习作业讲解资料/ 15/ 15.3 主成分分解.ipynb 15.5.ipynb 15.docx 16/ .ipynb_checkpoints/ 1.Numpy快速上手指南 --- 基础篇-checkpoint.ipynb 4PCA and SVD-checkpoint.ipynb PCA-checkpoint.ipynb data16-1-checkpoint.txt data16-4-checkpoint.txt myPCA-checkpoint.ipynb record-checkpoint.ipynb wine-checkpoint.ipynb PCA (1).pdf PCA.ipynb data16-1.txt data16-4.txt myPCA.ipynb myPCA.pdf readme.txt 为什么样本方差（sample variance）的分母是 n-1？ - 知乎.pdf 17/ test.py 第17章作业讲解.pptx 18/ plsa.py 第18章作业讲解.pptx 19/ 第19章作业讲解.pdf 20/ bbc_text.csv lda.py 第20章作业讲解.pptx 21/ page_rank.py 第21章作业讲解.pptx 监督学习部分/ PDF/ 1.1_导论.pdf 1.2_极大似然估计.pdf 1.3_梯度下降法.pdf 10.1_导论.pdf 10.2_前向算法.pdf 10.3_维特比算法.pdf 11.1_导论.pdf 11.2_拟牛顿法.pdf 11.3_条件随机场的矩阵形式.pdf 5.1_导读.pdf 6.1_导读.pdf 6.2_改进的迭代尺度法.pdf 7.1_导论.pdf 7.2_最大间隔分离超平面的存在唯一性.pdf 8.1_导论.pdf 8.2_前向分步算法.pdf 8.3_AdaBoost的训练误差.pdf 9.1_导论.pdf 9.2_EM算法的导出.pdf 9.3_高斯混合模型.pdf 改-2.1_导读.pdf 改-2.2_对偶形式.pdf 改-2.3_算法收敛性.pdf 改-3.1_导读.pdf 改-3.2kd树.pdf 改-4.1_导读.pdf 改-4.2_贝叶斯估计.pdf 改-4.3_后验概率最大化.pdf 改-5.2_剪枝.pdf Statistical-Learning-Method_Code-master.zip 统计学习方法-李航-第2版.pdf 06 《机器学习》西瓜书训练营/ PDF/ 01学习指南.pdf 03一元线性回归.pdf 04多元线性回归.pdf 05对数几率回归.pdf 06决策树.pdf 07支持向量机.pdf 08软间隔与支持向量回归.pdf 09朴素贝叶斯-new.pdf 10EM算法-1.pdf 10EM算法-2.pdf 10EM算法-3.pdf 11神经网络.pdf 12高斯混合模型.pdf 13隐马尔可夫模型-1.pdf 13隐马尔可夫模型-2.pdf 13隐马尔可夫模型-3.pdf 07 吴恩达《机器学习》作业班/ 作业代码资料/ 全部作业代码-无答案/ ML_totalexerise/ exerise1/ ML-Exercise1.1.ipynb ex1.pdf ex1data1.txt ex1data2.txt … 共 17703 条
