autumn-recruitment README

The project's README from github.com/Akun-python/autumn-recruitment. As one markdown file: README.md.

Autumn-Recruit Algo Notes

🎯 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。

license MIT python 3.9+ 23 modules 232 notebooks from scratch 中文教学


🌱 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:

如果这个项目对你有帮助,欢迎:

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:

提出问题
   ↓
让模型帮助检索资料、解释概念、比较方案
   ↓
自己追问假设、边界和反例
   ↓
把公式翻译成最小可运行代码
   ↓
用实验、断言、可视化验证理解
   ↓
与框架实现、论文结论或真实数据对照
   ↓
整理成自己的笔记、模板和面试表达
   ↓
分享给他人,接受反馈,再次修订

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:

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:

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:

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:


✨ 内容特色


📊 当前规模

当前仓库包含 23 个主题模块、232 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、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 预测、异常检测、评估、特征工程和面试题 进入模块
12-智能体开发 ReAct、记忆、RAG、MCP、Coding Agent、评估、持续进化、多 Agent 进入模块
13-编程语言 Python、C++、ROS、Docker、Git、SQL、Linux、Go、Java 进入模块
14-具身智能 机器人、感知、规划控制、VLA、仿真、数据与 sim2real 进入模块
15-AI-Infra 推理引擎、GEMM、混合精度、并行训练、NCCL、KV Cache、量化、FlashAttention 进入模块
16-语音 信号处理、ASR、TTS、语音增强、声纹、SVC、语音大模型 进入模块
17-数据科学 统计推断、AB 实验、因果推断、实验评估与业务实践 进入模块
18-数据分析 业务指标、数据处理、留存漏斗、RFM 分层、数据分析面试 进入模块
19-推荐系统 召回、排序、CTR 预估、冷启动、多目标优化、评估指标 进入模块
20-多模态大模型 CLIP、ViT、视觉语言模型、跨模态检索与生成 进入模块
21-大数据与数仓 Hadoop、Spark、Flink、Hive 数仓、Kafka、数据平台 进入模块
22-图神经网络与知识图谱 图表示、GCN/GAT/GraphSAGE、知识图谱构建与推理 进入模块

🗺️ 推荐学习路线

路线 A:算法与机器学习基础

数学基础 → 数据结构与算法 → 机器学习 → 深度学习 → 经典模型面试

适合从基础开始建立完整算法直觉的同学。

路线 B:大模型应用与训练

深度学习 → Transformer → LLM → 预训练/微调 → RAG → Agent → 评估与部署

适合希望理解大模型原理,并进一步做应用、训练或平台开发的同学。

路线 C:AI 工程与系统优化

Python/C++/Linux → 操作系统与网络 → AI-Infra → 推理优化 → 分布式 → 性能分析

适合关注模型服务、推理效率、显存、吞吐和系统稳定性的同学。

路线 D:感知与具身智能

数学/线代 → 计算机视觉 → 语音/NLP → 机器人学 → VLA → 仿真与 sim2real

适合希望把模型能力连接到视觉、语音、机器人和真实环境的同学。

完整阶段计划见 ROADMAP.md。


🚀 快速开始

git clone https://github.com/Akun-python/autumn-recruitment.git
cd autumn-recruitment

# 建议使用 Python 3.9+
pip install numpy matplotlib jupyter nbclient

# 按需安装机器学习/深度学习依赖
pip install scikit-learn torch

# 打开一个 Notebook
jupyter notebook "18-数据分析/教学/03-留存分析与同期群.ipynb"

建议第一次学习时:

  1. 先阅读 Markdown 中的问题和直觉解释;
  2. 逐个 cell 运行代码,不要只看最终输出;
  3. 修改一个参数,观察结果如何变化;
  4. 尝试不看答案重新实现核心函数;
  5. 完成每篇 Notebook 末尾的自测与面试题;
  6. 把自己的理解、错误和补充记录到 06-面试复盘。

大部分示例使用合成数据或离线数据,不依赖联网下载。个别对照实验可能需要 scikit-learn 或 torch;GPU 通常不是运行基础示例的前提。


✅ 可验证性与质量标准

这个项目尽量把“能运行”作为学习内容的一部分,而不是事后检查:

本地批量验证示例:

# 验证一个模块
python tools/_run_verify.py "15-AI-Infra/教学"

# 调试某个失败 Notebook
python tools/_debug_cell.py "15-AI-Infra/教学/05-KV Cache与推理内存.ipynb"

如果你的环境中没有 a 命令,请使用:

python tools/_run_verify.py "15-AI-Infra/教学"

验证结果和 Notebook 数量会随仓库更新而变化,请以最新运行结果为准。


🤝 欢迎加入共建

这是一个开放式学习项目,欢迎不同阶段的同学参与。你不需要一次性完成大型贡献,一个小修正也很有价值:

适合贡献的内容

提交 Issue 时可以提供

问题位置:文件名 / Notebook / cell 或行号
问题描述:哪里不准确、难理解或无法运行
复现环境:Python、主要依赖和操作系统
建议方案:如果已经有修复思路,可以一并说明

提交 Pull Request 的建议

  1. 一个 PR 尽量聚焦一个主题;
  2. 新增 Notebook 尽量包含直觉、公式、代码、输出和自测;
  3. 代码应尽量离线可运行,并固定随机种子;
  4. 绘图请显式调用 plt.show(),并注意中文字体;
  5. 修改后运行对应模块的验证脚本;
  6. 在 PR 描述中说明改了什么、如何验证、是否有已知限制。

无论是刚开始学习,还是已经有丰富工程经验,都欢迎参与。我们会尽量以开放、友善、尊重事实和鼓励讨论的方式交流。


🔄 持续更新计划

项目会围绕以下方向持续迭代:

技术会变化,知识体系也应该变化。这个仓库不会追求“一次写完”,而是希望在持续使用和持续反馈中逐步成长。


📚 相关文档


🙏 免责声明

这是一个个人发起、社区共建的学习资料仓库,内容主要用于学习、交流和面试准备,不构成任何岗位、课程或考试承诺。部分内容来自公开资料的整理与二次表达,引用或配图如有遗漏、错误或版权问题,欢迎通过 Issue 联系,我们会及时核查和修正。

项目中的示例代码以教学清晰和可复现为优先,不代表生产环境的完整方案。用于真实系统前,请结合具体场景进行安全、性能、稳定性和合规性评估。


📄 License

本项目遵循 MIT License。欢迎学习、引用、修改和贡献;使用时请保留原项目说明,并尊重各个子项目、论文和配图的原始许可。


欢迎交流,欢迎纠错,欢迎共建。
愿我们一起把“知道一个概念”,变成“能够解释、能够实现、能够验证、能够迁移”。

autumn-recruitment (Akun-python/autumn-recruitment)

Searching Database…

Что это такое?Это созданное сообществом собрание Jupyter-ноутбуков на китайском языке, охватывающее математические основы, структуры данных, машинное обучение, глубокое обучение, LLM, агентов, ИИ-инфраструктуру, речь и науку о данных; нацелено на подготовку к собеседованиям при поиске работы («осенний набор») в эпоху LLM.
Это библиотека кода или учебный ресурс?Это структурированная база знаний из ноутбуков, а не устанавливаемая библиотека — сейчас 23 тематических модуля со 232 обучающими ноутбуками, и счёт продолжает расти.
С чего начать изучение?Склонируйте репозиторий, сначала прочитайте markdown-объяснение и интуицию, затем запускайте каждый ноутбук ячейка за ячейкой, меняйте параметр, чтобы увидеть эффект, и пробуйте самостоятельно заново реализовать ключевую функцию, прежде чем свериться с ответом.
Контент завершён и авторитетен?Нет — автор прямо называет это постоянно развивающейся публичной учебной базой, а не законченным учебником или «эталонным ответом», так что неточности и пробелы ожидаемы, а счётчики модулей/ноутбуков в README — лишь снимок на момент.
Как организован контент?Он разбит на 23 пронумерованных модуля (00–22), идущих от математики и структур данных через ML, глубокое обучение, LLM/агентов, AI-Infra, CV, NLP, речь, временные ряды, рекомендательные системы, большие данные и графовые нейросети; у каждого своя папка с ноутбуками.
Акцент на теории или на практическом коде?И то и другое — приоритет у реализаций с нуля (сортировки, DP, SVM, PCA, GBDT, CNN, RNN, DQN, PPO, Transformer, KV Cache, FlashAttention и т.д.) вместе с математическими выкладками, с фиксированными random seed и численными проверками для воспроизводимости.
Почему автор создал это, а не пользовался разрозненными туториалами?Существующие материалы по алгоритмам и ИИ разбросаны по статьям, коду и вопросам с собеседований и быстро устаревают по мере эволюции LLM и агентов, поэтому автор собрал один непрерывно обновляемый путь с проверкой по ходу дела.
Есть ли рекомендуемый учебный маршрут?Да — в README обозначены четыре трека (алгоритмы и основы ML, приложения/обучение LLM, ИИ-инжиниринг и оптимизация систем, восприятие/воплощённый интеллект), а полный поэтапный план — в ROADMAP.md.
Size
75 MB
Stars
267
Updated
CommitOct 15
Age
19d
Commits · 90 Days