从 LeNet 到 ResNet：经典 CNN 的结构演进与训练框架抽象
系统梳理 LeNet、AlexNet、VGG、GoogLeNet、ResNet 的结构演进，并结合 PyTorch 训练框架抽象理解经典 CNN 的实现与工程化。
机器学习基础：从线性模型到深度网络
基于观看量预测案例，系统梳理机器学习三步法、线性与分段线性模型、激活函数、过拟合与机器学习框架。
深度学习基础：优化、正则化与归一化
系统整理深度学习基础中的临界点分析、批量与动量、学习率策略、分类损失与批量归一化等核心训练方法。
实践学习方法论：偏差、优化与过拟合
围绕模型偏差、优化问题、过拟合、交叉验证与不匹配，建立机器学习实验诊断与改进的实践框架。
扩散模型（Diffusion Models）
从噪声到图像的生成：理解扩散模型的前向扩散与反向去噪过程、DDPM的数学原理、训练与采样机制，以及为什么它能超越GAN成为生成模型的新范式。
生成模型：让AI学会创造
基于李宏毅深度学习教程的学习笔记，深入理解GAN的对抗训练原理、WGAN的改进方案、训练难点，以及Conditional GAN与Cycle GAN的应用。
自监督学习：让AI自己学会学习
基于李宏毅深度学习教程的学习笔记，深入理解BERT和GPT等自监督学习方法，探索如何让模型从无标注数据中学习强大的表征。
Transformer架构详解
深入理解Transformer的完整架构：从Encoder-Decoder结构到Multi-Head Attention，掌握现代NLP的基石模型。