人工智能/机器学习数学基础与学习路径
文章详细阐述了掌握人工智能和机器学习所需的三大数学支柱：统计学与概率、线性代数以及微积分。作者不仅解释了每个领域的核心概念（如贝叶斯定理、矩阵分解和梯度优化），还强调了它们在 AI 模型（如神经网络、回归）中的实际应用。最后，作者分享了一条个性化的学习路线图，推荐了 3Blue1Brown、Coursera 课程及《统计学习导论》等优质资源，帮助读者从直观理解过渡到理论实践。
相关文档
Reinforcement Learning from scratch #1
本文是强化学习从零开始系列的第一篇，作者通过赌场老虎机的故事引入多臂老虎机问题。文章以通俗易懂的方式讲解了期望值、条件概率、贝叶斯定理、大数定律等基础概率统计概念，并推导出增量式价值估计 Q 的更新公式，为后续学习强化学习算法奠定基础。作者强调从最简单的问题出发、逐步增加复杂度的学习方式。
如何在6个月内成为代理AI工程师
本文提供了一个为期6个月的12阶段AI工程师学习路线图。文章首先阐述了代理工程师的核心是构建能自主决策的系统，而非编写固定逻辑。前两个阶段重点介绍了Python异步编程的基础（解决API调用阻塞问题）和LLM的基本原理（如上下文限制、成本控制和模型路由）。随后详细讲解了工具调用与结构化输出的实现方法，强调使用Pydantic验证数据及构建可恢复的Agent循环。
AI/ML 所需的线性代数知识（完整路线图）
本文旨在消除从事 AI/ML 工作对数学博士学位的恐惧，提供了一份精准的线性代数学习路线图。文章分为五个阶段：从标量、向量、矩阵等基础概念，到特征值、SVD（奇异值分解）等核心机器学习数学工具，再到连接微积分的梯度与雅可比矩阵。作者强调了掌握这些概念对于理解神经网络、PCA、推荐系统及 LoRA 微调等技术的重要性。
图解 Transformer 架构：从原理到细节的全面解析
本文深入浅出地解析了 Transformer 架构，它是现代大语言模型（LLM）的核心。文章从宏观视角出发，通过解码的方式，逐一拆解了 Transformer 的关键组件，包括编码器与解码器、分词与嵌入、位置编码、注意力机制（Attention）以及多头注意力等。作者详细解释了该架构如何解决传统模型的“遗忘”和“慢速”问题，实现了并行处理和长距离依赖捕捉，并最后阐述了其强大的原因。
Ilya 推荐的 30 篇 AI 论文清单：30u30 拆解学习项目
Ilya 曾推荐一份包含 30 篇论文的 AI 学习清单，称读懂即可掌握当下 AI 90% 的要点。30u30 项目将这份清单拆成 30 天课程，一天一篇，从 RNN、LSTM 学到 Transformer，最终到 ChatGPT 背后的 RLHF。每篇配有大白话讲解、'讲给 5 岁小孩听'的速览、从零实现的代码及配图，每天还附 5 道练习题。代码可在普通电脑 CPU 上运行，适合想转 AI 方向的学生或想理解 ChatGPT 原理的用户跟随学习。
看完这篇，把收藏的提示词模板全删了！
文章指出收藏的提示词模板大多是安慰剂，问题在于使用方式错误：AI 不理解'电影感''8K''大师级'等模糊愿望词，只接受具体指令。作者强调提示词本质是导演语言，需要先建立导演思维。文中系统讲解了三大要点：镜头（景别、运镜动词、机位角度的权力感）、调度（人物走位让画面活起来）、光影（先定时间再定光源来控制情绪），并给出新手可直接照抄的 6 条原则，包括先定景别、运镜用一个动词、加走位描述、删掉抽象形容词换具体表达、以及必写负面词等实用技巧。
Kaggle免费白嫖MiniMax H3视频生成教程
本文介绍如何利用Kaggle提供的免费GPU资源（T4 x2，每周30小时）免费运行MiniMax H3视频生成模型。作者详细讲解了注册流程，包括大陆用户可用的人脸认证替代手机验证；随后引导读者复制现成的MiniMax H3 Turbo Int8 notebook并一键运行，获得可用的网页界面。进阶部分介绍了安装kaggle-skill，通过VS Code Compatible URL让本地AI直接操控Kaggle环境。
免费的AI课程全指南：350+课程、5000+讲座替代你的学位
作者因厌倦在YouTube、Google和大学网站间费力搜寻AI学习资源，整理了一份完全免费的AI课程大全，涵盖350多门课程和5000多个讲座。内容按主题分类，包括深度学习、机器学习基础、优化、强化学习、概率图模型、贝叶斯深度学习、医学影像、图神经网络、NLP、语音识别、计算机视觉等14个方向。课程来源包括Geoffrey Hinton、Andrew Ng、Andrej Karpathy、Richard Socher等名师在多伦多大学、斯坦福、牛津、MIT、CMU、DeepMind等机构的经典课程，并附有课件和视频链接。
数学是终结了，还是仅仅毕业了？
前xAI联合创始人克里斯蒂安·塞格迪以个人经历切入，回忆自己作为匈牙利数学竞赛少年的成长与竞赛结束后的空虚。他将纯粹数学研究比作在未知丛林中的探险：绘制地图、寻找矿藏、打造工具。而人工智能如今正处于莱特兄弟时代的飞机阶段——尚显原始但进步神速，已开始在数学岩石上插旗（解决猜想）。作者认为，AI终将彻底改变数学研究的方式，数学不会终结，而是像他当年的竞赛生涯一样'毕业'，从学术界安静的角落蜕变为驱动一切科技进步的成熟产业。孤胆英雄时代落幕，大规模探索时代开启。
LLMs do not guess. They optimize. Here is the difference and the math behind it
文章阐述LLM的输出并非猜测，而是优化的结果。作者从基础数学概念讲起，介绍了优化问题的本质：找到使函数最大化或最小化的输入。文章系统梳理了几个关键优化方法：牛顿法（通过切线逼近快速求零点和极值，是现代训练算法的祖先）、黄金分割搜索（无需导数、利用黄金比例实现指数级收敛，用于超参数调优）、单纯形法（1947年Dantzig发明，通过沿多面体顶点移动求解线性规划问题）。文章解释了梯度下降作为简化版牛顿法如何训练拥有数万亿参数的语言模型，并对比了单纯形法与内点法在理论与实践性能上的差异。
不会建模，也不用最强的模型：我用 AI 把一张图，做成了会放歌的 3D 狐狸电台
作者以一张 AI 生成的概念图为起点，完整记录了制作一个网页 3D 狐狸电台的全过程，证明不会建模、不用最强模型也能做出 3D 作品。文章分四步：想法生成静态图、图生 3D 模型（用混元 3D）、模型瘦身上网页（66MB 压到 1.9MB）、让模型在 shader 中动起来。文中穿插 7 个 3D 概念知识（网格面数、材质贴图、PBR、GLB 格式等），并给出挑图标准、模型体检打分方法、瘦身命令和成本账单，是一份可复现的 AI 3D 创作实践教程。
斯坦福机器人学免费课程：6个月成为机器人学习工程师的学习路径
作者整理了一份利用斯坦福免费公开课程资源、历时6个月成为机器人学习工程师的自学路径。斯坦福将大量机器人学课程发布在YouTube上，讲师包括NVIDIA自动驾驶研究高级总监、Physical Intelligence联合创始人及Tesla Optimus AI负责人。该路径包含7门课程共119讲、约95小时视频、2本免费教材、6个可在家用笔记本上完成的练习项目，以及可选的122美元机械臂。学习顺序遵循斯坦福正式课程体系：先数学基础（线性代数），再机器人物理结构、感知、规划，最后是学习方法，避免了自学时无序观看导致的低效问题。
