📖 110 章 · 🖼️ 4700+ 配图 · 🚀 PyTorch / Transformer / GAN / BERT / RL · 🎯 从 0 基础到大模型
同样是李宏毅老师的课，B 站找视频要拉进度，PDF 讲义没目录，搜博客一篇只讲一节—— 你需要的是一份能从头到尾刷完的"知识地图"。
| 你之前的痛 | 这里给你的解 |
|---|---|
| 🥲 课程视频 14 小时不知从哪开始 | ✅ 110 章渐进式目录，按"导学 → Transformer → 大模型 → RL → 元学习"线性递进 |
| 🥲 看 PDF 截图找不到上下文 | ✅ 每章都用大白话解释每张幻灯片在讲什么，公式 / 代码 / 图配齐 |
| 🥲 想离线看，但图都挂在外网 | ✅ 4700+ 课程截图全部本地化，clone 即可断网阅读 |
| 🥲 不知道哪些是重点哪些可跳 | ✅ 给出 7 天速通 / 30 天系统 / 60 天科研 三条学习路径 |
| 🥲 学完不知道怎么验证 | ✅ 14 次官方作业说明全部收录，配 Colab 教程 |
flowchart TD
Start([🚀 开始]) --> M1[1. 入门基础<br/>导学 · PyTorch · 反向传播]
M1 --> M2[2. 训练实战<br/>优化器 · Batch · 过拟合]
M2 --> M3[3. 视觉与序列建模<br/>CNN · RNN · GNN · Self-Attention]
M3 --> M4[4. Transformer<br/>Encoder-Decoder · Pointer Network]
M4 --> M5[5. 生成模型<br/>GAN · VAE · Flow-based]
M4 --> M6[6. 大模型时代<br/>BERT · GPT · 自监督]
M5 --> M7[7. 表示学习与可解释性<br/>Auto-encoder · t-SNE · 对抗攻击]
M6 --> M7
M7 --> M8[8. 强化学习<br/>Policy Gradient · Q-learning]
M7 --> M9[9. 模型压缩<br/>剪枝 · 蒸馏 · 量化]
M8 --> M10[10. 终身 / 元学习<br/>MAML · Meta-RL]
M9 --> M10
M10 --> Done([🏆 全栈通关])
style Start fill:#FFD700,stroke:#333,stroke-width:2px
style Done fill:#90EE90,stroke:#333,stroke-width:2px
style M4 fill:#FF6B6B,stroke:#333,color:#fff
style M6 fill:#4ECDC4,stroke:#333,color:#fff
点击模块名展开,可跳转到该模块的所有章节;模块下方列出最值得先看的 3 章。
🎯 模块 1 · 入门基础 (第 1 - 12 讲)
数学最少、信息密度最高的入门段。零基础也能看懂"机器学习到底是在干嘛"。
⚡ 模块 2 · 训练实战 (第 13 - 23 讲)
模型 train 不起来?过拟合怎么救?这一段讲透。
🖼️ 模块 3 · 视觉与序列建模 (第 24 - 35 讲)
从 CNN 到 Self-Attention,理解"为什么 Attention 几乎一统江湖"。
🤖 模块 4 · Transformer (第 36 - 41 讲)
整套课程的"风口浪尖"。学完这章你就能看懂 GPT/Claude/LLaMA 的论文。
🎨 模块 5 · 生成模型 (第 42 - 51 讲)
GAN / VAE / Flow 一锅端,也是理解 Diffusion 之前的必修课。
🧬 模块 6 · 大模型时代 BERT / GPT (第 52 - 59 讲)
自监督学习从思想到工程实现,LLM 的"前世今生"全在这。
🔍 模块 7 · 表示学习 · 可解释性 · 对抗 (第 61 - 75 讲)
让模型"说人话"、抵御攻击、迁移到新领域,工业界最关心的部分。
🎮 模块 8 · 强化学习 · 模型压缩 · 终身/元学习 (第 76 - 110 讲)
从 RL 到 MAML,把课程的高阶选修打包带走。
| 路径 | 适合人群 | 建议时长 | 走法 |
|---|---|---|---|
| 🚀 7 天速通 | 已有 Python / 线代基础,想快速理解大模型 | 1 周 / 每天 1.5h | 1 → 2 → 4 → 6（模块） |
| 📚 30 天系统 | 大三 / 研一 / 转 AI 工程师 | 1 个月 / 每天 1h | 模块 1 → 8 顺序刷完,作业全做 |
| 🎓 60 天科研 | 准备发论文 / 推免 / 海外申请 | 2 个月 / 每天 1.5h | 全部 110 章 + 推荐论文 + Colab 复现 |
💡 不知道选哪条?先开始 7 天速通,坚持下来再升级到 30 天。
| 场景 | 推荐工具 | 备注 |
|---|---|---|
| 📱 通勤 / 碎片时间 | 直接 GitHub 在线浏览 | 无需配置,公式 & 图都能渲染 |
| 💻 系统学习 / 做笔记 | VSCode + Markdown All in One | 可全文搜索 + 自定义高亮 |
| 🧩 双链知识网络 | Obsidian / Logseq Vault | clone 后 Open Vault 即可 |
| 🖨️ 打印纸质版 | Pandoc → PDF | pandoc *.md -o leeml.pdf --pdf-engine=xelatex |
| 📲 手机阅读 | GitHub Mobile / 微信内置 | 体验略弱但能用 |
# 离线 clone(196 MB,含全部高清图)
git clone https://github.com/GouBuliya/LeeML-Notes-2026.git
cd LeeML-Notes-2026- 🎬 官方课程视频 · 李宏毅老师 YouTube 频道 · B 站搬运合集（搜索"李宏毅 2026"）
- 🎞️ 官方讲义 PPT · course.csie.ntu.edu.tw
- 💻 作业代码模板 · 各章「作业说明」内附 Colab Notebook 链接
- 📦 PyTorch 实战仓库 · 推荐配套 pytorch/examples
PR 永远 welcome —— 哪怕只是改一个错别字。
- 🐛 发现错误?提个 Issue
- ✍️ 想补充内容?直接 PR,见 CONTRIBUTING.md
- 💬 学习有问题?去 Discussions 发帖,大家一起讨论
- ⭐ 最简单的支持就是 点亮 Star,让更多同学找到这里
本仓库笔记主体整理 / 排版自社区已公开的中文翻译稿,感谢以下来源:
- 李宏毅 老师(国立台湾大学)—— 课程原作者,所有讲义、图片、知识体系归其所有
- 龙哥盟 (cnblogs.com/geekdoc)—— 中文笔记原始发布
- OpenDocCN (@OpenDocCN)—— 课程图片资源镜像
本仓库仅做渐进式章节切分 + 排版优化 + 配图本地化,不持有任何知识内容著作权。 如原作者认为本仓库有任何不妥,请通过 Issue 联系,我会立即处理。
- 仓库内的"排版与目录结构" 采用 CC BY-NC-SA 4.0 协议(署名 - 非商业 - 相同方式共享)
- 课程内容(文字 / 图 / 公式) 著作权归 李宏毅老师及国立台湾大学 所有,本仓库基于学术合理使用原则收录
- 禁止用于任何商业培训、付费课程、付费社群转售
全部 110 章按编号顺序,可点击直接跳转。
展开 / 折叠完整章节列表
- 00. 前言
- 1. 导学与课程大纲概述 📚
- 2. 机器学习基本概念（上） 🧠
- 3. 深度学习基本概念（下） 🧠
- 4. PyTorch 入门教程 - 1 🚀
- 5. PyTorch 实战教程与常见问题 🚀
- 6. Google Colab 使用教程 🚀
- 7. 深度学习简介 🧠
- 8. 反向传播算法详解 🧠
- 9. 回归模型与梯度下降法 🧠
- 10. 神奇宝贝分类（选修）🧠
- 11. 逻辑回归 (Logistic Regression)
- 12. 作业一说明 📝
- 13. 第 2 讲 - 机器学习任务攻略 🧭
- 14. 局部最小值与鞍点 🧭
- 15. 批次 (Batch) 与动量 (Momentum) 🧠⚙️
- 16. 自适应学习率 🎯
- 17. 分类问题与损失函数 🧠
- 18. 重温神奇宝贝和数码宝贝分类器 🎮
- 19. 梯度下降法核心概念与直观理解 🧭
- 20. 梯度下降 Gradient Descent-2 🧭
- 21. 深度学习新的优化器 🚀
- 22. 深度学习优化器进阶（二）🚀
- 23. 作业二说明 📚
- 24. 卷积神经网络 (CNN) 详解 🧠
- 25. 为什么用了验证集结果还是过拟合了？🤔
- 26. 鱼与熊掌可以兼得的深度学习（选修）🧠
- 27. Spatial Transformer Layer（选修）🧠➡️🖼️
- 28. 作业三 (Homework3) 图像分类教程 📸
- 29. 自注意力机制 (Self-attention) 上篇 🧠
- 31. RNN-1（选修）🧠
- 32. RNN-2（选修）🧠
- 33. 图神经网络 (GNN) 基础：概述与空间方法 🧠
- 34. GNN-2（选修）🧠
- 35. 作业四 (Speaker Identification) 说明 🎤🤖
- 36. Transformer (1) 🧠
- 37. Transformer Decoder 详解 🧠
- 38. 自注意力机制类别总结 🧠
- 39. 非自回归序列生成（选修）🚀
- 40. 指针网络 Pointer Network（选修）🧠➡️👆
- 41. 作业五 (Homework 5) 说明 📚
- 42. 生成式对抗网络 (GAN) 基础 🎭
- 43. 生成式对抗网络 (GAN) 理论详解 🧠
- 44. 生成式对抗网络 (GAN) - 3 🧠
- 45. GAN 在无监督学习中的应用 🧠
- 46. GAN 理论 - 1（选修）🧠
- 47. GAN 理论 - 2（选修）🧠
- 48. GAN 理论 - 3（选修）🧠
- 49. VAE 理论介绍（选修）🧠
- 50. Flow-based 生成模型（选修）🌀
- 51. 作业六 (GAN) 说明 🧠🎨
- 52. 自监督学习 (Self-supervised Learning) - 1
- 53. 自监督学习与 BERT 介绍 🧠
- 54. 自监督学习 (3) - BERT 的奇闻异事 🤖
- 55. 自监督学习 (4) - GPT 的野望 🦄
- 56. BERT 的预训练与微调 🧠
- 57. BERT 的各种变体（选修）🧠
- 58. GPT-3 模型介绍 🤖
- 59. 作业七说明 📚
- 61. 自编码器 (Auto-encoder) 下：更多应用 🧠
- 62. 降维技术详解 🧩
- 63. t-SNE 介绍（选修）🧠
- 64. 作业八说明 🧠
- 65. 机器学习的可解释性（一）🧠
- 66. 机器学习的可解释性（二）🔍
- 67. NLP 中的对抗式攻击 (Part 1) 🛡️➡️🤖
- 68. 作业九说明 🧠📚
- 69. 对抗攻击（上）—— 基本概念 🛡️
- 70. 对抗攻击（下）—— 神经网络能否躲过人类深不见底的恶意？🛡️➡️⚔️
- 71. NLP 上的对抗式攻击 (Part 2) 🛡️
- 72. 作业十说明 🎯
- 73. 领域自适应 (Domain Adaptation) 概述 🎯
- 74. 自监督学习模型 BERT 的三个故事 🧠
- 75. 作业十一 - 领域自适应详解 🎯
- 76. 强化学习 (RL) 概述（全）🤖
- 77. 强化学习（二）—— Policy Gradient 详解 🎯
- 78. 强化学习（三）—— Actor-Critic 🤖
- 79. 稀疏奖励问题与奖励塑形 🎯
- 80. 强化学习（五）—— Inverse RL 🤖➡️🎯
- 81. 作业十二说明 🚀
- 82. 神经网络压缩（全）—— 剪枝与大乐透假说 🧠✂️
- 83. 神经网络压缩（二）🧠
- 85. 深度强化学习第三讲 - Q-learning 🧠🤖
- 86. 深度强化学习进阶技巧 🚀
- 87. 网络压缩 📦
- 88. 终身学习（一）—— 灾难性遗忘 🤖🧠
- 89. 终身学习（二）—— 灾难性遗忘的克服之道 🧠
- 90. 作业十四：持续学习 📚
- 91. 元学习（全）—— 元学习与机器学习的三步框架 🧠
- 92. 元学习（二）—— 万物皆可 Meta 🧠
- 93. 元学习的多种应用 🧠
- 94. Meta Learning – MAML (1/9) 🧠
- 95. Meta Learning – MAML (2/9) 📚
- 96. 元学习 – MAML (3/9) 🧠
- 97. 元学习 – MAML (4/9) 🧠
- 98. Meta Learning – MAML (5/9) 🧠
- 99. Meta Learning – MAML (6/9) 🤖
- 100. 元学习 – MAML (7/9) 🧠
- 101. 元学习之 MAML 🧠
- 102. 元学习 – MAML (9/9) 🧠
- 103. Meta Learning - Gradient Descent as LSTM (1/3) 🧠
- 104. Meta Learning - Gradient Descent as LSTM (2/3) 🧠
- 105. Meta Learning - Gradient Descent as LSTM (3/3) 🧠
- 106. Meta Learning – Metric-based (1/3) 🧠
- 107. Meta Learning – Metric-based (2/3) 📚
- 108. Meta Learning – Metric-based (3/3) 📚
- 109. Meta Learning - Train+Test as RNN 🧠➡️🤖
- 110. 元学习作业说明 📚
如果这份笔记帮到了你,请点一下 ⭐ Star——这是对我最大的鼓励
Made with ❤️ by ML learners, for ML learners