# 第一轮学习路线

完整学习目标、模块边界、课程大纲和阶段验收标准见：

- [学习目标与大纲](learning-goals-and-syllabus.md)
- [文档审计记录](audit-2026-06-05.md)
- [学习过程记录规范](session-recording-policy.md)
- [学习日志](learning-log.md)
- [当前学习状态](current-state.md)

## 约束

- 不依赖高性能 GPU。
- 不把大模型训练作为必修内容。
- 代码实验只做 CPU 可跑的小例子，或使用预训练模型推理。
- 重点是理解结构、训练逻辑、输入输出和评价指标。

## 阶段安排

| 阶段 | 主题 | 目标 |
|---|---|---|
| 1 | 机器学习基础 | 理解数据、模型、训练、损失、评估 |
| 2 | 深度学习基础 | 理解神经网络、反向传播、优化器、CNN |
| 3 | Transformer 基础 | 理解 attention 与 Transformer block |
| 4 | 现代 LLM 连接 | 理解 decoder-only、预训练、SFT、DPO、LoRA、RAG、推理 |
| 5 | 目标检测基础 | 理解 box、IoU、NMS/NMS-free、mAP |
| 6 | YOLO 应用 | 理解 YOLO26、YOLO11、开放词汇检测和预训练模型使用流程 |
| 7 | 前沿地图 | 知道多模态、扩散模型、MoE、Mamba、SAM、RT-DETR 的位置 |

## 推荐推进顺序

1. `01-ml-dl-basics/lessons/01-what-is-machine-learning.md`
2. 机器学习中的数据、特征、标签
3. 损失函数与梯度下降
4. 训练集、验证集、测试集与过拟合
5. 神经网络与反向传播
6. CNN 与图像任务
7. Transformer 的输入：token、embedding、position
8. Self-Attention 与 Q/K/V
9. Multi-Head Attention 与 Transformer Block
10. Decoder-only LLM、KV cache 与解码策略
11. 预训练、SFT、DPO、LoRA、RAG
12. 目标检测任务与 bounding box
13. IoU、NMS/NMS-free、mAP
14. YOLO 的一次性检测思想和版本演进
15. 使用预训练 YOLO26/YOLO11 做推理
16. 开放词汇检测、RT-DETR、SAM/SAM 3 入口