总结了大模型学习资料

LLM 基础知识1. 机器学习之数学基石在踏足机器学习的殿堂之前，深入理解其背后的数学原理至关重要。线性代数：它如同桥梁，连接着算法与数据世界。向量、矩阵、行列式、特征值与特征向量、向量空间及线性变换等概念，均为深度学习中的算法提供坚实的支撑。微积分：在连续函数的优化旅程中，导数、积分、极限与级数如同灯塔，指引我们前行。同时，多变量微积分与梯度的概念亦不可忽视。概率与统计：它们让模型从数据中汲取智慧，预见未来。概率论、随机变量、概率分布、期望、方差、协方差、相关性、假设检验、置信区间、最大似然估计及贝叶斯推理，这些概念如同星辰，点亮了我们的预测之路。📚 资源推荐：3Blue1Brown - 线性代数的本质：几何视角下，线性代数的真谛尽收眼底。StatQuest 与 Josh Starmer - 统计基础知识：简单明了，统计学的奥秘触手可及。Aerin 女士的 AP 统计直觉：深入浅出，概率分布背后的逻辑跃然纸上。沉浸式线性代数：视觉盛宴，线性代数的另一种解读方式。Khan Academy - 线性代数：直观易懂，初学者的首选。可汗学院 - 微积分：深入浅出，微积分的基础知识一网打尽。可汗学院 - 概率与统计：清晰易懂，概率与统计的知识轻松掌握。2. Python：机器学习的得力助手Python，这门强大而灵活的编程语言，因其在数据科学领域的卓越表现，成为机器学习的得力助手。

Python基础：从基本语法、数据类型、错误处理到面向对象编程，每一步都是通往数据科学殿堂的必经之路。数据科学库：NumPy助你一臂之力，实现高效的数值运算；Pandas让你轻松驾驭数据的海洋；Matplotlib与Seaborn则为你绘制出数据的美丽图景。数据预处理：特征缩放、标准化、缺失数据处理、异常值检测、分类数据编码以及数据集的拆分，每一步都为模型的训练与测试打下坚实基础。机器学习库：Scikit-learn是你手中的利剑，监督学习、非监督学习，多种算法任你挑选。从线性回归、逻辑回归、决策树、随机森林到K最近邻、K均值聚类，每一个算法都蕴含着数据背后的智慧。降维技术如PCA和t-SNE则助你一臂之力，将高维数据可视化，洞察其本质。📚 资源推荐：Real Python：Python学习的宝藏之地，从基础到进阶，应有尽有。### 1. 深度学习启程 - Python语言踏入freeCodeCamp - 学习 Python的长廊，一部详尽的视频将引领您逐步揭开Python核心概念的神秘面纱。而Python 数据科学手册，则如同一本珍贵的数字宝典，让您轻松掌握pandas、NumPy、Matplotlib和Seaborn的奥秘。