学习地图
整套教材怎么串起来
教材按"一条主线"组织：先建立机器学习的直觉 → 讲清神经网络怎么学习 → 引出"注意力" → 拆解 Transformer 架构 → 讨论大模型的优劣与替代路线 → 认识更广阔的模型家族 → 落到你自己的工作场景（什么时候对话、什么时候搭工程）。前 4 章是地基，第 8 章是最贴近你工作的部分，附录和配套文件随时查阅。
先看看自己缺什么
图 0-1 教材依赖地图：前 4 章是地基，第 8 章最贴近运营监控工作，附录与配套随时查阅
主教材
章节总目录
导引与学习审计
审计你"没意识到需要补"的东西：数学、Python、以及最重要的心智模型——先纠正对大模型的五个误解。
机器学习坐标：从"程序"到"学会的程序"
机器学习是什么、三大学习范式、神经网络的最简形态。用"接线盒"和"乐高"建立第一层直觉。
神经网络如何学习：训练的本质
损失函数、梯度下降（蒙眼下山）、反向传播（责任分摊）。这是全书最需要耐心的两章之一。
序列问题与注意力：为什么需要"看全局"
文本是序列数据；RNN 的接力传话困境；从"顺序处理"进化到"注意力机制"的思想动机。
Transformer 架构详解：核心机制
词嵌入、位置编码、Q/K/V 自注意力、多头、残差、归一化；以及"预测下一个词"如何长出 ChatGPT。全书重头戏。
大语言模型的优势与劣势
并行、长程依赖、规模法则、涌现——以及幻觉、算力、知识截止、不可解释。含"对话底层机制"与 2026 模型版图。
大模型的替代技术路线
注意力 O(n²) 的算力之痛；Mamba / 状态空间模型、RWKV、混合专家 MoE、推理时计算等方向。
大模型之外的模型家族
线性回归、决策树/随机森林、SVM、K-means、CNN、RNN/LSTM、强化学习……每种一句话机制 + 理论 + 你的工作场景对照。
网页对话，还是搭工程？
判断清单 + 决策矩阵；RAG（开卷考试）、Agent（自动跑腿的助理）、评估与护栏；三个电力场景案例走查。
动手实践指南
三条实践路径（网页版 / 在线 Notebook / 本地 Python）、让大模型当"导师"的问法、代码文件使用指引。
附录
数学附录（按你的要求：直觉为主，推导收起来）
配套文件
四件套：计划 / 术语 / 自测 / 代码
使用说明
三个学习建议
1. 先读第 0 章，再决定顺序
第 0 章是"学习审计"：它告诉你需要补什么、哪些可以暂时不补。读过之后，按学习地图推进；数学卡壳时直接去附录 A 查对应小节，不用从头啃。
2. 每章读两遍，用自测题收尾
第一遍快速通读建立感觉，第二遍对照图 0-1 的地图画自己的笔记；读完翻开自测题对应章节，先闭卷作答再看答案。答不上来就回读，这是最有效的记忆方式。
3. 让大模型当你的私人导师
读完每章后，把该章末尾的"问大模型"提示词复制给任意网页版大模型，让它用费曼方法给你讲课、出题、纠正你的理解——这是本教材设计好的闭环。
4. 视频是"第二讲解员"
第 0 章和第 4、8 章内嵌了经过验证的 B 站视频清单（按入门/进阶分级）。文字卡住时看视频，视频卡住时回来看文字，两条路互相印证。