• dive-into-llms-03-自然语言处理／大模型的一些背景概念
  背景 学习 dive-into-llms chat 对自然语言处理／大模型的一些背景概念有初步认识：什么是预训练、微调、Transformer 架构、模型推理、量化、部署等等。 非常棒 👍，你现在已经到了学习大模型最关键的一步 —— 理解 自然语言处理（NLP）与大模型的核心概念体系。 我来用尽可能通俗、系统、工程化的方式，帮你快速建立一个「从 0 到能看懂大模型原理」的完整认知地...
  2025-11-03 12:40:12 | AI
• dive-into-llms-02-deeplearning 深度学习基础知识入门
  背景 学习 dive-into-llms chat 深度学习基础知识入门 这一步正是「从会用大模型 → 理解大模型」的关键转折。 你想要快速建立「深度学习基础认知」——不是搞学术，而是能听懂大模型背后的逻辑。 那我们就用最通俗易懂的方式讲清楚。 🧠 一、深度学习到底是什么？ 一句话讲清楚： 深度学习就是「让计算机通过大量数据自动学出规律」的过程。 比如： ...
  2025-11-03 12:40:12 | AI
• dive-into-llms-01-python 基础知识入门
  背景 学习 dive-into-llms chat python 基础 要想真正“入门大模型”，Python 编程基础是必不可少的地基。 因为几乎所有的大模型框架（Transformers、PyTorch、TensorFlow、LangChain、OpenAI API 等）都基于 Python 实现。 我给你讲得系统一点👇 （不废话、实用导向，专门为“想入门大模型”的人定制） ...
  2025-11-03 12:40:12 | AI
• dive-into-llms-00-学习概览
  背景 学习 dive-into-llms 项目简介 这个项目是 Dive into LLMs（中文名：《动手学大模型》） — 一个由 上海交通大学 NLP / AI 课程团队发起、在 GitHub 上开源的 “大语言模型 (LLM) 编程实践教程” 系列。 (GitHub) 它的主要目标如下： 帮助读者 从实践角度快速上手大语言模型（LLM）相关技术，而不仅仅是理论。 (Gi...
  2025-11-03 12:40:12 | AI
• 第21章　机器学习的未来
  非常好 👍，这一章《机器学习的未来》是全书的终章， 它不再聚焦于算法与工程实现，而是从 技术演化、智能本质、人与AI共生的视角 出发，展望机器学习未来的发展方向。 可以看作是对前20章的“哲学升华篇”——从学习的技术走向学习的智能。 第21章　机器学习的未来 21.1 自监督学习与自适应智能 🔹 一、监督学习的极限 传统机器学习依赖“标注数据”进行训练。 但标注往往昂贵、主观...
  2025-11-03 12:40:12 | AI
• 第20章　机器学习的思维方式
  第20章《机器学习的思维方式》可以视为全书的“升华章”——从技术到思维的回归。 这章不再讲具体算法，而是讨论 如何像一个机器学习工程师那样思考问题，以及这种思维方式如何迁移到其他领域。 下面是完整详细讲解： 第20章　机器学习的思维方式 20.1 从算法思维到系统思维 🔹 一、算法思维：局部最优的思考方式 初学机器学习的人，往往从“算法”出发： 给我一个算法，我喂...
  2025-11-03 12:40:12 | AI
• 第19章　可解释性与可信AI
  这一章进入了当代机器学习/AI 的伦理与可信性核心议题。 “可解释性”“公平性”“鲁棒性”“隐私保护”不仅是技术问题，更是机器学习走向现实世界的底线工程。 下面是第19章《可解释性与可信AI》的完整详细讲解。 第19章　可解释性与可信AI 19.1 模型解释 vs 黑箱问题 🔹 一、什么是“黑箱模型”？ 随着模型复杂度不断提升（尤其是深度神经网络、大语言模型），我们越来越...
  2025-11-03 12:40:12 | AI
• 第18章　大模型与预训练范式
  第18章是整本书的“现代 AI 篇”的核心部分——它讲述了从「词向量」到「BERT」，再到「GPT 与智能体（Agent）」的整条技术演化主线。 这一章不仅是机器学习与深度学习的融合点，更是当代人工智能（尤其是大语言模型）的技术根基。 第18章　大模型与预训练范式 18.1 从词向量到 BERT 🔹 一、传统NLP的局限 在早期的自然语言处理中，机器学习模型（如SVM、朴素...
  2025-11-03 12:40:12 | AI