从零开始，搞懂深度学习

深度学习是什么？一张 AI 全景图，认识监督/无监督/强化学习三大门派。

带着标准答案学习：从最简单的线性回归出发，看懂模型、损失、训练和泛化。

一层隐藏层如何让模型从"只会画直线"进化成"能画任意曲线"。

为什么要堆很多层？ReLU 激活函数和深度网络的直觉。

给模型打分的各种方式：回归的 L2/L1，分类的交叉熵，还有更多。

梯度下降怎么走下山？批次、学习率、动量、Adam 优化器。

反向传播的来龙去脉，以及让训练跑得动、不爆炸的初始化技巧。

模型到底好不好用？准确率、精确率、召回率、AUC 怎么看。

对抗过拟合的十八般武艺：权重衰减、Dropout、早停、数据增强。

专为图像设计的神经网络：卷积核、池化、通道，图像识别的基石。

网络越深反而越差？残差连接（ResNet）如何让"深"变得可行。

注意力机制是什么？为什么它统治了 NLP 和大模型时代。

数据不总是表格：在关系/图结构上做学习的神经网络。

没有标准答案怎么学？认识生成模型和潜变量的基本思想。

造假专家和打假专家互相切磋，最后造出以假乱真的图片。

一种能精确计算概率的生成模型：把简单分布"流"成复杂分布。

把数据压缩进一个"潜空间"，再从潜空间生成新样本。

从噪声里一点点"雕"出图像——Stable Diffusion 背后的原理。

智能体与环境互动、试错学习：从游戏 AI 到机器人控制。

一个理论视角：为什么"深而窄"的网络比"浅而宽"更擅长学习。

技术之外的功课：偏见、隐私、失业与 AI 的责任边界。