课程与书

一到两小时一门的实操短课，覆盖提示工程、RAG、Agent、评测。适合带着具体任务去学，而不是系统啃理论。

1. 1按当前任务挑课：要做 RAG 就选 RAG 那门，不要从头刷
2. 2边看边在自己的环境里复现，课程用的 SDK 版本可能较旧
3. 3每门课只带走一个可复用的模式，不要试图记住所有 API
4. 4学完用概念库对应词条做一次自测，确认不是只会照抄

核验 2026-11-13 · docai 编辑部

节奏快的深度学习入门课，每讲一小时左右，配套 Colab 能直接跑。适合先用最短时间建立全局图景。

1. 1从第一讲按顺序看，每讲先看视频再看 slides
2. 2打开对应的 Colab，把示例跑一遍，改一个参数观察结果
3. 3看不懂的数学先记下来，不必在第一遍全部弄懂
4. 4结课后回概念库，把 8 个分组各挑一个词条自测

核验 2026-11-13 · docai 编辑部

中文讲解最完整的机器学习公开课之一，从基础到生成式模型都有，适合把概念串成体系。

1. 1先看课程主页的年度列表，选最近一年的版本（旧版工具链会过时）
2. 2按讲次顺序看，每讲配的 slides 比视频更适合复习
3. 3遇到公式先跳过推导，抓住「输入什么、输出什么、解决什么问题」
4. 4看完一讲回概念库对照词条，确认自己能一句话说清

核验 2026-11-13 · docai 编辑部

先跑起来再讲原理的路线：第一课就训练一个能用的模型，适合被数学劝退过的人。

1. 1先看第 1 课，把 notebook 完整跑通一遍
2. 2遇到不懂的概念再回头查，不要先补完数学
3. 3拿自己的一份小数据做一次微调，哪怕效果一般

核验 2026-11-13 · docai 编辑部

免费、有练习、能直接跑。从 pipeline 用到微调，讲的是动手，不是论文综述。

1. 1从第 1 章开始，边读边在 notebook 里跑，不要只读
2. 2第 6 章讲 tokenizer，配合本站的 token 概念一起看
3. 3每章末尾的练习做完再往下，跳着看容易只剩印象

核验 2026-11-13 · docai 编辑部

从手写反向传播一路搭到 GPT。适合想弄懂「里面到底在算什么」的开发者，不适合只想调接口的人。

1. 1先看第 1 讲 micrograd，跟着手写一遍反向传播
2. 2跳到 GPT 那一讲先看整体结构，不必第一次就懂每个矩阵
3. 3再回到中间的几讲，补 tokenizer 与训练循环

核验 2026-11-13 · docai 编辑部

有中文版的开源教材，公式、代码、练习齐全，每章都能直接跑。适合想从「会用」走到「知道为什么」。

1. 1选中文版，从线性回归一章开始，别直接跳到 Transformer
2. 2每章的代码在本地或 Colab 跑一遍，改超参数看曲线变化
3. 3练习至少做一半，它们是理解程度的唯一检验
4. 4读到注意力一章时，对照概念库的 transformer 与 attention

核验 2026-11-13 · docai 编辑部

从词向量讲到 Transformer 与大模型的研究生课程，讲义和作业公开，适合想补理论根基的人。

1. 1先看课程安排的讲次表，确认当年版本是否覆盖 Transformer
2. 2配合讲义看录播，作业按顺序做，不要只读不写
3. 3读到 attention 一讲时，对照概念库的 attention 词条
4. 4作业里的 PyTorch 实现比课程本身更接近工程实际

核验 2026-11-13 · docai 编辑部