deeplearning.demo.mp4
“路虽远，行则将至；事虽难，做则必成。”
欢迎加入科研探索之旅！以下是你从入门到进阶的系统性成长路线图。
-
✨ 学习是为了自己！
知识和技能是伴随你一生的资产。没有这个觉悟，建议先“回炉重造”。 -
🔥 科研靠自驱，不靠他驱！
被动等待指令的人，很难在科研路上走得长远。主动思考、主动探索，才是科研人的基本素养。
当前主流科研工具链以 Python + PyTorch/TensorFlow 为核心，但 C/C++ 在高性能计算、嵌入式部署等场景中仍不可或缺。技多不压身，越早掌握越好！
- Event-AHU Group @ GitHub
（聚焦事件相机视觉、遥感变化检测、物理信息神经网络等方向）
扎实的数学功底是理解模型本质的前提：
- 高等数学（微积分、级数）
- 线性代数（矩阵、特征值、SVD）
- 矩阵分析（范数、条件数、矩阵微分）
- 概率论与统计（贝叶斯、分布、MLE/MAP）
⚠️ 建议：不要只记公式，要理解其几何意义与应用场景。
| 书名 | 作者 | 资源 |
|---|---|---|
| 《机器学习》（西瓜书） | 周志华 | |
| 《南瓜书》（西瓜书公式详解） | Datawhale | GitHub Releases |
| 《动手学深度学习》（第二版） | 李沐 等 | 在线版 | PyTorch PDF |
| 《神经网络与深度学习》 | 邱锡鹏 | 官网 | PDF |
| 《统计学习方法》（第二版） | 李航 |
📌 建议：边读边写代码，每章推导+实现，效果翻倍！
| 资源 | 说明 |
|---|---|
| 《大规模语言模型：从理论到实践》（第二版） | 复旦大学出品，理论+工程结合 |
| LLMBook（Datawhale） | 中文社区精品，含视频+B站配套 |
| Awesome-Chinese-LLM | 中文大模型资源大全 |
| Stanford CME295: Transformers & LLMs (2025) | 前沿课程，含 YouTube 视频 |
| Build a LLM from Scratch | 从零实现 Transformer 架构 |
| Training LLMs from Scratch: Best Practices | 实战指南，来自 Weights & Biases |
-
MIT 6.S191: Introduction to Deep Learning (2025)
官网 —— 理论+实践+前沿应用全覆盖 -
Stanford CS224N: NLP with Deep Learning (2025)
课程主页 | YouTube 视频合集 -
【零基础课】现代深度学习基础 王乃岩 [B站]
-
The Science of Deep Learning [PDF]
-
MIT 6.7960 Deep Learning, Fall 2024 [Youtube Video List] [Homepage]
-
Alice’s Adventures in adifferentiable wonderland --- A primer on designing neural networks [Paper] [Website]
- Event-AHU / PINN_Paper_List
（持续更新：论文、代码、复现指南）
- Stanford CS224R (2025)
课程主页 | YouTube - 《Reinforcement Learning: An Introduction》（Sutton & Barto）
免费 PDF - 《强化学习的数学原理》（赵世钰，西湖大学）
B站视频 | GitHub 教材 - Tianshou (天授) [Github] [Home]
科研不是短跑，而是马拉松。
保持好奇，保持自律，保持输出。
你走的每一步，都算数。
欢迎加入 Event-AHU，一起探索计算机视觉与智能系统的未来！
