动手学 AI：程序员的 LLM 实践课

《动手学 AI》系列课程会通过一系列的代码实战，从零开始构建大语言模型，帮助程序员降低学习的门槛，快速掌握大模型的技术原理，是最适合程序员学习大模型技术的实践性课程。希望用我的经验，让“程序猿”的AI学习之路走的更容易些，若我的经验能为你前行的道路增添一丝轻松，我将倍感荣幸！共勉~ 理念：从零开始构建。理解一个事物的最佳方式就是亲手创造它，本课程以从零开始构建为理念来动手学AI。 特点：代码即教材。 亲自动手从零实现RNN、Transformer、GPT等经典架构，逐行解构核心组件代码。 目标：深刻理解大模型。通过一系列代码实战，逐步帮你深刻理解大模型的技术演进脉络和底层工作原理。 课程规划： 《动手学：机器学习》：从零构建第一个AI模型（Hello，AI World！），帮助程序员快速掌握机器学习的本质。 《动手学：深度学习》：从零构建第一个神经网络模型（Hello，PyTorch！），帮助程序员快速掌握如何使用 PyTorch 训练神经网络模型。 《动手学：RNN》：从零构建一个基于 RNN 的 AIGC 模型（中文人名生成），帮助程序员深入理解循环神经网络的底层原理。 《动手学：Seq2Seq》：从零构建一个基于 GRU 的 Seq2Seq 模型，帮助初学者深刻理解Seq2Seq的架构和改进方式，认知到RNN的局限性和注意力机制的必要性，为学习Transformer奠定基础。 《动手学：Transformer》：从零构建 Tiny-Transformer 来解决一个Seq2Seq任务，帮助初学者彻底掌握Transformer的底层原理和实现方式，深入理解位置编码、Self-Attention、Mask等核心机制。 《动手学：LLM》：从零构建并训练一个GPT语言模型，帮助程序员彻底掌握大语言模型的底层原理和实现方式，深入理解语言模型的本质、大模型采样生成策略等核心机制，不做单纯的“调包侠”。 适合人群： 希望进入AI领域的研发工程师：明确学习方向，用代码详解降低学习理论的门槛，快速成为合格的AI算法工程师。 渴望突破"调包侠"瓶颈的 LLM 开发者：通过动手实践深入理解从RNN、Transformer到LLM的技术演进细节，突破"调包侠"的瓶颈。 研究大模型但代码能力弱的"学术派"：打通理论到实践的任督二脉，将理论转化为可验证的代码实现，打破"理论懂代码难"的困境。