之前有不少人讨论称人工智能将会为人类带来第四次工业革命，虽然我对此种观点持谨慎乐观态度，但是不可否认的是，此前人们不敢想象的一些AI工具和应用，正在出现在我们的生活中，就连看起来离我们很远的AGI也如幽灵一般若隐若现，或许它就隐藏在这些大模型的背后，不时地向我们闪现，预告人类它终将到来。这是我个人经常使用的查阅资料的方法。但是到后来，GPU 、AI芯片和超级计算机的发展很快，使得系统的计算能力和存

这一部分难度也比较大，GAN的思想可以了解一下，扩散模型如果以后不搞这个方向可以不看，Bert还是比较重要的大模型，结合dasou的视频来看一下更好。深度学习比机器学习要难，目前大家深度学习入门，部分同学是跟沐神的动手学习深度学习，还有部分同学就是看李宏毅老师的深度学习入门教程。迁移学习是一个重要的概念，强化学习应用也很广泛，建议了解一下，其他的内容可以看也可以不看，根据需要选择即可。机器学习基础

摘要：本文介绍了深度学习中四种模块缝合方法：串行连接（如ResNet）、并行处理（如GoogLeNet）、交互式组合（如BERT）和多尺度融合（如FPN）。这些方法可快速搭建高效模型，同时提供80多个即插即用模块和1500篇顶会论文资源。

摘要：本文为深度学习零基础研一学生提供了三个月完成论文的详细指南。首先建议通过优质课程（如吴恩达、李宏毅等）系统学习基础知识；其次明确研究方向并运行领域常用模型；然后选择近2-3年论文作为baseline；接着在理解代码基础上进行模块改进；最后通过扩展实验和规范写作完成论文。文章还提供了CVPR论文合集、56个即插即用模块、实验技巧手册等实用资源。全文提供了一套从学习到发表的可执行方案，帮助新手高

如线性回归、决策树、K均值聚类等，虽重要但通常归类为“机器学习”而非传统“核心算法”。要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。：分治法思想，平均时间复杂度 O(nlog⁡n)O(nlogn)。：利用堆数据结构，时间复杂度 O(nlog⁡n)O(nlogn)。：适用于已排序数组，时间复杂度 O(log⁡n)O(logn)。：稳定排序，时间复杂度 O(nlog⁡n)O(

循环神经网络（Recurrent Neural Networks, RNN）是一类神经网络架构，专门用于处理序列数据，能够捕捉时间序列或有序数据的动态信息，能够处理序列数据，如文本、时间序列或音频。RNN 在自然语言处理（NLP）、语音识别、时间序列预测等任务中有着广泛的应用。RNN 的关键特性是其能够保持隐状态（hidden state），使得网络能够记住先前时间步的信息，这对于处理序列数据至关

简而言之，卷积神经网络（Convolutional Neural Networks）是一种深度学习模型或类似于人工神经网络的多层感知器，常用来分析视觉图像。卷积神经网络的创始人是着名的计算机科学家Yann LeCun，目前在Facebook工作，他是第一个通过卷积神经网络在MNIST数据集上解决手写数字问题的人。

监督式学习算法包括一个目标变量（因变量）和用来预测目标变量的预测变量（自变量）。通过这些变量我们可以搭建一个模型，从而对于一个已知的预测变量值，我们可以得到对应的目标变量值。重复训练这个模型，直到它能在训练数据集上达到预定的准确度。等。与监督式学习不同的是，无监督学习中我们没有需要预测或估计的目标变量。无监督式学习是用来对总体对象进行分类的。它在根据某一指标将客户分类上有广泛应用。等。这个算法可以

定义变换)]))])

第13讲（难度***）: 介绍对抗攻击，是指针对机器学习模型，尤其是深度学习模型的一种攻击方式。第9讲（难度***）: 介绍Seq2Seq，输入一个序列，输出一个序列的学习任务，深度学习时间序列要解决的问题，重点看看模型结构有哪些部分组成，每一部分的功能，现在其他时间序列模型大部分都是采用这种结构的变体。第16讲（难度***）: 介绍强化学习基础，了解强化学习解决的问题，智能体，环境，奖励等概念，