adhd-learn 学一点,也是在向前。 GitHub

ADHD 友好的中文 AI 学习库

把 AI 学习,
拆成走得动的小步。

从第一个模型,到能用的 AI 应用。
不用一口气学完,也不用从头读到尾。选一个入口,按自己的节奏开始。

一句话结论 · 明确的停止点 · 走神后也能接着读

23 个学习板块536 个阅读单元中文讲解 · 可离线阅读阅读时间与动手实践分开计算

找到你的起点

选最像现在的你的一项,就可以开始。

还没写过代码

先看一行输入如何变成一个预测,从数据与结果认识模型。

可以先观察,动手时再准备环境

会 Python,没学过 ML

运行第一个小模型,比较训练和测试的结果,再补不懂的概念。

需要 Python 与对应依赖

已有经验,想继续深入

从知识库、部署、模型原理或多模态里,选一条想走的路。

按目标选读,留意各章先修要求

按方向,慢慢探索

缺哪一层补哪一层,也可以只查一个问题。

认识模型

先建立地图,再补上基本功

把模型用起来

从数据到应用,再到稳定上线

编程与工具

用到哪里,就回来补哪里

深入一个方向

有了基础,再选一条感兴趣的路

交叉知识与参考

换一个视角,或查一份原始资料

带着目标,走一条路线

想边学边做?从一份具体成果开始。

查看实验状态 ↗ · 代码可用、本地实跑、合成回放与人工质量复核分别记录。

需要时,再打开这份指南

不用记住所有路径。

我有一个具体问题,该读哪一章?按学习目标、工作场景查找建议
你是谁建议
想打牢基本功 / 觉得只会调包👉 机器学习与深度学习基础,重点第 5、11 章
不知道该学什么👉 全景导论 的第 1 章 + 第 16 章决策章,40 分钟出答案
想做 AI Agent / 大模型应用👉 智能体工程 按顺序走,重点第 12 章
想做推荐算法 / 搜广推岗位👉 推荐算法 按顺序走,重点第 6、12 章
想搞懂模型底层原理👉 基础教程 07–14 章 → 全景导论 第 2、3、4 章
要做企业知识库 / 文档问答👉 全景导论 第 8 章 RAG(实用价值第一)
在打 Kaggle / 数据竞赛👉 Kaggle 竞赛方法论,先看通用方法论 01–04,再进对应赛道
模型训不出来 / loss 不动👉 基础教程 第 11 章训练调试手册,1 天见效
想搞懂 ChatGPT 是怎么对齐的👉 强化学习基础 走 01 → 02 → 03 → 09 → 11 → 12,3 小时看懂 RLHF
规则老记不住 / 想知道「凭什么」👉 数学原理 先读 第 1、2 章 —— 它俩是钥匙,后面很多章是锁
显存不够 / 推理太贵 / GPU 跑不满👉 AI 基础设施 第 3、4 章(显存带宽墙 + Roofline),后面十几章都是这两章的推论
模型没问题,但结果就是不对👉 数据这一关 第 14 章(泄漏的七种来源)—— 离线好得离谱、线上崩掉,先查这里
标注对不齐 / 两个人标出两套答案👉 数据这一关 第 9、10 章:标注指南怎么写、一致性怎么量
做安全 / 想懂 HTTPS、区块链底层👉 密码学与信息安全,零依赖可独立读;只有一小时就读第 3、8 章
模型上线了,但不知道它还好不好👉 模型上线之后,先看 第 4、7 章(最常见的事故源 + 最容易忽略的盲区)
只想查某个具体主题👉 直接进 资料库,12 个主题分类找
这些知识之间,有什么关系?查看 12 个主干板块的依赖关系
12 个板块的依赖关系机器学习与深度学习基础树模型 / 过拟合 / 反向传播 / CNN / RNN⭐ 承重墙 —— 其他板块都建在它上面机器学习的数学原理为什么这些方法能 work读完再回头补推荐算法工业系统视角强化学习基础序贯决策 · RLHFKaggle 竞赛方法论打榜手册 · 用到哪查哪智能体工程教程大模型应用层横切三条 —— 不管你做上面哪个方向,都会撞上这三块数据这一关模型之前的那一半AI 基础设施算力与工程底座模型上线之后模型之后的那一半导航与参考大模型全景导论选下一个方向 · 12 方向速览密码学与信息安全另一个方向的基本功Claude 博客资料库一手资料,随时查可对照着看:基础 04 树模型 ↔ Kaggle 调参 / 基础 14 ↔ 全景导论 Transformer推荐算法(工业) ↔ Kaggle 18–19(打榜) / 数据这一关 13 ↔ 全站四处评测
⭐ 先把承重墙那层补完,下面几个方向的结论才有根因;虚线框里那三块是横切的 —— 不管你挖哪个方向,迟早都会撞上。

允许跳过

⭐ 是核心,🎁 是加餐。时间不够就先读核心,跳过也是一种策略。

按精力决定读多少

只看一个例子也可以。记下停在哪里,不把每次读完一章当作要求。

中断了,随时回来

先扫一眼 ⚡ 走神救援,再回到上次的例子。忘了就重读,不用赶。