第一部分 迈入现代人工智能的大门

理清底层脉络，补齐从传统开发到神经网络的基础缺口

很多转岗做人工智能或者准备相关认证的技术学习者，常常一上来就死磕大模型微调或者复杂的计算机视觉项目，结果连最基础的多层感知机为什么能拟合非线性数据都解释不清。这门课解决的核心问题，正是传统软件工程思维与现代深度学习底层逻辑之间的断层。它不会塞给你一堆即用型代码片段，而是从现代人工智能的整体骨架切入，把发展脉络、核心算法原理与基础框架工具串联起来。如果你写过 Python 但对数学推导发怵，或者只停留在调用接口而对反向传播一知半解，这部分内容就是用来补这个窟窿的。别假装自己什么都懂，缺什么补什么，先把地基打牢再谈上层建筑。

建议先吃透模型骨架与反向传播，再用框架案例练手

在配套练习与资料配合方面，建议不要把视频当爽文看。资料包里的脉络梳理和算法简介是核心，看的时候必须自己手画一遍神经网络的前向传播与反向传播计算图。第一遍先看现代人工智能骨架与深度学习简介，弄懂这门技术到底在解决什么数学问题，建立全局视野；第二遍直接死磕多层感知机网络模型与反向传播算法简介这两块。反向传播虽然讲解篇幅不长，但它是整个深度学习的引擎，必须配合纸笔推导矩阵运算和梯度更新公式，而不是光看屏幕点头。推导过关后，再打开 PaddlePaddle 框架简介和几个案例进行实操。此时不要照抄现成脚本，应尝试用框架提供的最基础张量运算，手动复现一遍多层感知机的前向与反向过程，最后再对比框架封装好的高级接口，体会底层与工程化的差异。通过这种先推导后敲代码的练习方式，把抽象概念彻底落地。

学完能脱离黑盒独立回答的几个关键问题

看完这部分并做完配套推导练习后，你应该能脱离死记硬背的语境，独立且清晰地回答以下几个硬核问题：现代人工智能的技术栈究竟由哪几层骨架构成，它们之间的数据流向是什么？深度学习相较于传统机器学习，在模型结构和优化方式上做了哪些关键突破？多层感知机是如何通过激活函数解决线性不可分问题的？当给定一个损失函数后，反向传播算法是如何利用链式法则把误差梯度一层层往回传并更新权重的？在真实的工程落地中，为什么要引入 PaddlePaddle 这类深度学习框架，它到底帮你屏蔽了哪些繁琐的底层计算？当你面对这几个问题时不再心虚，能够自己画出计算图并讲清梯度流向，说明这部分基础已经真正补齐，具备了向更复杂模型和实际业务场景进军的资格。