Akun-python / autumn-recruitment

🎯 Autumn-Recruit Algo Notes 
 面向大模型时代的算法、工程与 AI 学习共建仓库 
 从数学基础、数据结构，到机器学习、深度学习、LLM、Agent、AI-Infra、语音与数据科学，
 通过「理解 → 推导 → 手写 → 运行 → 验证 → 复盘」构建可持续迭代的知识体系。
---
## 🌱 为什么做这个项目
学习算法和 AI，往往会遇到三个问题：
1. **资料很多，但知识之间缺少连接**：公式、代码、论文、工程实践和面试题分散在不同地方；
2. **看懂不等于会做**：读过推导，未必能独立写出实现；跑过代码，也未必真正理解为什么这样设计；
3. **技术变化太快**：大模型、Agent、推理优化、具身智能等方向不断演进，静态的学习清单很快会过时。
这个仓库尝试把学习过程整理成一条可执行、可验证、可复盘的路径：
> **把知识讲清楚，把公式写出来，把代码跑起来，把结果验证掉，再把自己的理解沉淀下来。**
它不是一份“标准答案”，也不是一个已经完成的教材，而是一个持续建设中的公开学习基地。内容中难免存在不准确、不完整或可以改进的地方，欢迎大家指出问题、补充案例、分享经验，一起把它变得更好。
---
## 🚀 项目愿景
我们希望把这个仓库逐步建设成一个：
- **对初学者友好**：尽量用直觉、生活类比和小例子解释抽象概念；
- **对进阶者有用**：保留公式、边界条件、实现细节、复杂度和工程权衡；
- **对面试准备有效**：能够从一个知识点延伸到手撕代码、系统设计和追问；
- **对实践者可验证**：代码尽量自包含、可运行、有断言、有数值对照；
- **对社区开放共建**：欢迎不同背景的学习者贡献内容、勘误、图示和实践经验；
- **能够持续迭代**：随着模型、工具和工程范式变化，持续更新目录、案例和学习方法。
如果这个项目对你有帮助，欢迎：
- 点一个 Star，帮助更多同学发现它；
- 提交 Issue，指出错误、过时内容或难以理解的地方；
- 提交 Pull Request，补充推导、代码、图示、习题或工程经验；
- 分享你的学习路线和面试复盘，让体系获得更多真实反馈。
每一条认真反馈，都会帮助这个项目更接近“真正可学、可用、可复现”的目标。
---
## 🧭 大模型时代下，学习正在发生什么变化
传统学习往往是：找资料 → 阅读 → 做笔记 → 背诵。
在大模型时代，我们可以把学习升级为一个**人机协作、代码驱动、持续验证的闭环**：
 [code] 
### 这套新范式的核心原则
#### 1. 不只问“答案是什么”，还要问“为什么”
大模型可以快速给出解释，但解释不一定正确，也不一定适合你的背景。建议继续追问：
- 这个结论依赖哪些假设？
- 如果输入规模、分布或硬件变化，会不会失效？
- 有没有反例？
- 公式中的每一个符号分别代表什么？
- 能否用一个最小例子验证？
#### 2. 不只阅读代码，还要让代码接受测试
一个算法是否真正理解，至少可以尝试：
- 用 NumPy 从零实现核心步骤；
- 与 sklearn、PyTorch 或参考实现对照；
- 固定随机种子，验证输出形状和数值；
- 构造边界样例，检查空输入、极端值和异常情况；
- 用图把中间过程展示出来。
#### 3. 不把大模型当作替代思考，而把它当作学习伙伴
大模型适合帮助我们：
- 解释难点、生成反例、模拟面试官；
- 检查代码、补充测试、比较实现；
- 把同一个概念换成不同层次的表达；
- 帮助整理知识图谱和复习计划。
但关键的判断、实验设计、结果核验和最终表达，仍然应该由学习者自己完成。
#### 4. 从“记住一个答案”转向“建立可迁移的模型”
真正有价值的不是背下某个模型的细节，而是理解：
- 它解决了什么问题？
- 为什么采用这个结构？
- 和前一代方法相比改进了什么？
- 代价是什么？
- 换到新的任务、数据或硬件上，如何调整？
---
## ✨ 内容特色
- **手写优先**：排序、DP、LR、SVM、PCA、GBDT、CNN、RNN、DQN、PPO、Transformer、KV Cache、FlashAttention 等尽量从零实现；
- **推导与直觉并重**：不仅给结论，也解释公式、变量、假设和推导过程；
- **代码可以运行**：Notebook 尽量自包含，配合固定随机种子、数值对照和安全断言；
- **图示帮助理解**：用流程图、结构图、时序图和实验曲线解释抽象概念；
- **连接学习与面试**：每个模块尽量包含高频问题、手撕清单、易错点和自测题；
- **关注工程现实**：讨论延迟、显存、吞吐、稳定性、可解释性、部署和数据问题；
- **持续吸收反馈**：内容不是一次性定稿，欢迎社区共同修正和扩展。
---
## 📊 当前规模
当前仓库包含 **26 个主题模块、273 篇教学 Notebook**，并持续增加中。
| 类别 | 内容 |
|---|---|
| 基础 | 数学基础、数据结构与算法、编程语言 |
| 理论与模型 | 机器学习、深度学习、优化算法、强化学习、推荐系统、图神经网络 |
| 大模型与智能体 | LLM 大模型、智能体开发、AI-Infra、多模态大模型 |
| 感知与交互 | 计算机视觉、自然语言处理、语音、具身智能 |
| 数据与工程 | 时间序列、数据分析、数据科学、统计学、大数据与数仓、八股与工程 |
| 复盘 | 面试复盘与个人学习记录 |
Notebook 数量会随着内容扩充而变化，README 中的统计是阶段性快照，具体以仓库目录为准。
---
## 🧩 模块总览
| 模块 | 主要内容 | 入口 |
|---|---|---|
| 00-数学基础 | 高数、线代、概率统计、信息论、最优化、机器人学基础 | 进入模块 |
| 01-数据结构与算法 | 排序、哈希、链表、树、回溯、DP、图、堆、位运算 | 进入模块 |
| 02-机器学习 | 回归、分类、聚类、SVM、PCA、GBDT、树模型、特征工程 | 进入模块 |
| 03-深度学习 | BP、CNN、RNN、LSTM、Transformer、Mamba、GAN、VAE、扩散 | 进入模块 |
| 04-LLM大模型 | Transformer、预训练、LoRA、SFT、DPO、RAG、MoE、推理扩展 | 进入模块 |
| 05-八股与工程 | Python、操作系统、网络、数据库、Redis、分布式、工程工具 | 进入模块 |
| 06-面试复盘 | 面试经历、问题记录、复盘模板和改进计划 | 进入模块 |
| 07-强化学习 | MDP、DP、MC、TD、DQN、策略梯度、PPO、连续控制、多智能体、离线 RL | 进入模块 |
| 08-优化算法 | 优化理论、梯度方法、二阶方法、约束优化与工程调参 | 进入模块 |
| 09-计算机视觉 | CNN、检测、分割、视觉基础模型、3D 视觉、NeRF、3DGS | 进入模块 |
| 10-自然语言处理 | 词向量、序列模型、文本分类、信息抽取、NLP 面试 | 进入模块 |
| 11-时间序列 |