数学与 Python 基础
1_数学与python基础- NumPy 与 Pandas
- Python 基础
- 微积分与优化
- 概率论与统计
- 线性代数
14 个模块 · 85 个子主题
学习专栏
面向 AI-native 芯片工程师的进阶路径，按「理解 AI → 构建 AI → 差异化（AI-EDA / 硬件）」递进。下面是整理资料时定下的框架，每个子主题下对应的文章还在陆续整理，暂时只列结构。
传统机器学习
2_传统机器学习ML- 线性回归
- 逻辑回归
- 岭回归 Ridge
- Lasso 回归
- K 近邻算法
- 朴素贝叶斯
- 决策树 DT
- 随机森林
- 梯度提升 GBDT
- 梯度提升 XGBoost
- 梯度提升 LightGBM
- 支持向量机 SVM
- 半监督 SVM
- K-Means
- DBSCAN
- 层次聚类
- 主成分分析 PCA
- LDA
- t-SNE
- 隐马尔可夫
- 标签传播算法
- ANN
- CNN
- RNN
- LSTM
- Transformer
- 自编码器
- DQN
- Q-Learning
- PPO
深度学习基础
3_深度学习基础DL- 神经网络基础
- 反向传播算法
- 损失函数与优化器
- 正则化与归一化
PyTorch 与模型实现
4_pytorch与模型实现- PyTorch 张量与 Autograd
- 数据集与 DataLoader
- 模型构建与训练循环
- GPU 训练与混合精度
NLP / CV / 多模态
5_NLP_CV_Multimodal- 词向量与 Embedding
- 注意力机制
- 计算机视觉基础
- 多模态模型
Transformer 与大语言模型
6_Transformer_LLM- Transformer 架构
- 位置编码 RoPE
- 多头注意力 MHA / GQA / MQA
- 大模型架构 GPT 与 Llama
LLM 训练与后训练
7_LLM-traning_post-training- 预训练 Pre-training
- 指令微调 SFT
- LoRA 与 PEFT
- RLHF 与 DPO 对齐
LLM 推理 / GPU / AI 基础设施
8_LLM-inference_GPU_AI-infra- KV Cache
- FlashAttention
- 并行策略 TP / PP / DP
- 模型量化 Quantization
- 推理框架 vLLM / SGLang
RAG / 向量数据库 / 知识
9_RAG_vector-db_knowledge- Embedding 与向量数据库
- RAG 基础
- 文档切分与索引
- 混合检索与重排
AI 编程 / Coding Agent
10_AI-coding_coding-agent- 提示工程 Prompt
- AI 编程工具
- 代码生成与 Review
- Coding Agent 原理
工具调用 / MCP
11_tool-calling_MCP- Function Calling 函数调用
- 结构化输出
- MCP 协议
- MCP 服务器开发
Agent / 多智能体
12_agent_multi-agent- Agent 基础
- 规划与推理 ReAct
- 记忆 Memory
- 多 Agent 协作框架
评测 / 安全 / 可观测性
13_evaluation_safty_observability- 模型评测 Benchmark
- RAG 评测
- Agent 评测
- 安全与对齐
- 可观测性 Observability
AI-EDA / AI 硬件
14_AI-EDA_AI-hardware- AI for EDA
- AI 编译器 MLIR / Triton
- RTL 生成与验证 Agent
- 硬件加速器 NPU / GPU
说明：这里只列整理资料时定下的框架。每个子主题下对应的文章来自 CSDN、博客园、腾讯云和知乎专栏， 版权不属于本站，因此只在本地保存，不在线上公开。等我自己写出成篇的笔记，会补到文章 里。