先挑一个能用的跑通链路就行，目的是让它听话，不是做学术研究。现在Agent这行真的属于窗口期拉满，而且是全新的领域，新到学校里教不出来，清华的学生和你一样，都是自学加摸着石头过河，因此你是双非本也好，985硕也好，都是同一起跑线，也都是一套入门路线。教程内容很系统，圈内大佬深入讲解LLM的关键架构和原理，以及Rag、Agent、LangChain、Fine-tune技术和Fine-tuning过程

一、概述本文系统介绍了深度学习模型图谱：6大CV经典架构全解读的核心内容。二、详细内容​目录1. LeNet（90/98）诞生于1990年，在手写体字符识别领域创造性的引入了卷积神经网络的基本操作，意义重大，可以说是现代卷积神经网络的发展起点。1.1思路引入卷积层+池化层等结构1.2 网络结构输入图像分辨率：28x28结构：（1）卷积层1：5x5 --->输出4个24×24大小的特征图；（2）池化

关于深度学习，网上的资料很多，不过貌似大部分都不太适合初学者。 这里有几个原因：1.深度学习确实需要一定的数学基础。如果不用深入浅出地方法讲，有些读者就会有畏难的情绪，因而容易过早地放弃。2.中国人或美国人写的书籍或文章，普遍比较难一些。我不太清楚为什么，不过确实是这样子的。深度学习，确实需要一定的数学基础，但真的那么难么？这个，还真没有。不信？听我来给你侃侃。看完，你也会觉得没那么难了。本文是针

通俗的说，有监督学习就是比无监督学习多了一个可以表达这个数据特质的标签，让模型可以学习从特征到标签的映射关系。传统的逻辑回归评分卡模型，因为模型变量特征的可解释性，以及每个变量均有具体的评分，可以清晰的知道每个变量是如何影响评分的，以及影响的具体分值，所以传统金融机构用逻辑回归建模较多。模型评估在之前文章【风控模型专题：模型开发与模型评估指标】中已有详细介绍，机器学习算法的评估也是类似的，主要评估

群内包含目标检测、图像分割、目标跟踪、Transformer、多模态、NeRF、GAN、缺陷检测、显著目标检测、关键点检测、超分辨率重建、SLAM、人脸、OCR、生物医学图像、三维重建、姿态估计、自动驾驶感知、深度估计、视频理解、行为识别、图像去雾、图像去雨、图像修复、图像检索、车道线检测、点云目标检测、点云分割、图像压缩、运动预测、神经网络量化、网络部署等多个领域的大佬，

写这篇文章是想分享一下理解的宏观上的AI，内容比较浅显，希望对即将选研究方向、就业方向的同学们，对转行、自学的朋友们 有所帮助~~适用读者：对AI领域感兴趣的小白首先附上诚意满满的彩图 ^ ^AI子方向。

请尝试这样制作卡片:卡片(1)卡片(2)

在正式学习AI算法之前，你应该具备一些基础的线性代数知识，这会让你更容易的理解算法，线性代数的知识非常广阔，而我们只需要理解其中的一小部分就行了,推荐给大家一个非常好的线性代数快速学习视频，就是3Blue1Brown出的这个《线性代数的本质》，非常生动的把很抽象的东西说的很透彻，可能你看书几天都想不明白的东西，看看这个视频，几分钟就懂了，实在没有耐心看完的，着重看懂前10课就够了，每一课十几分钟，

网上最显眼的内容，往往是应用层：几句 Prompt、一个 Agent Demo、几小时搭个聊天机器人。这样不是“看过”，而是真的会用。所以，“先学大模型更贴近市场”只对已有编程和建模基础的人更成立。现在岗位更看重你能否把数据、模型、代码、评估和部署串成闭环，而不是知道多少热门名词。如果你已经会 Python、会处理数据、能看懂基本评估，这条路没问题。这一层的重点不是推公式，而是建立判断力：模型为什

为方便大家学习 这里给大家整理了一份学习资料包 需要的同学 根据下图自取即可。