05-验收复盘与学习提示词

专业知识 · 05-Courses/人工智能/MIT_6S191_Introduction_to_Deep_Learning/05-验收复盘与学习提示词.md

# MIT 6.S191 验收复盘与学习提示词

目标：判断你是否真的把 9 小时课程转化成了可用能力。这里的验收不是考试，而是防止“看完了但不会用”。

1. 最低完成标准

完成课程后，至少要有下面五类证据：

证据	最低要求	为什么重要
讲座笔记	9 讲每讲一页	防止只看不整理
代码证据	至少 2 个 lab 或最小 notebook	防止只会说不会跑
shape/loss 记录	每个代码证据都记录	证明理解训练流程
口头表达	5 分钟中文汇报	训练专业表达
问题清单	至少 5 个不确定问题	保留理解边界

如果你只有视频观看记录，没有笔记、代码和问题，这门课对入学准备的帮助会很有限。

2. 每讲验收七问

每讲结束后回答：

这讲解决什么问题？
输入是什么？
输出是什么？
模型结构的核心机制是什么？
loss 或训练目标是什么？
slides/lab 中最关键的证据是什么？
这个方法有什么局限，和我的方向有什么关系？

示例回答框架：

Lecture 2 解决的是序列建模问题，输入通常是 token 序列或时间序列，输出可以是下一个 token、序列标签或生成结果。核心机制是把离散 token 映射成 embedding，再用上下文建模依赖关系。训练目标常见形式是预测下一个 token 的 cross entropy。它和时间序列、语言模型有关，但如果用于复杂系统数据，还需要考虑时间间隔、噪声、非平稳性和不确定性。

3. 总体验收图


flowchart TD

    A["看完课程"] --> B{"每讲有一页笔记？"}

    B -- 否 --> B1["补 task/model/loss/evidence/limitation"]

    B -- 是 --> C{"至少跑通 2 个代码证据？"}

    C -- 否 --> C1["优先跑最小训练循环和一个课程 lab"]

    C -- 是 --> D{"能解释 shape 和 loss？"}

    D -- 否 --> D1["回到数学与代码最小例子"]

    D -- 是 --> E{"能做 5 分钟汇报？"}

    E -- 否 --> E1["按汇报模板准备"]

    E -- 是 --> F["达到入学前最低可用标准"]

4. 5 分钟汇报模板

结构：

30 秒：我为什么学这门课。
60 秒：课程把深度学习分成哪些问题。
90 秒：选一讲详细解释。
60 秒：展示一个 lab/notebook 证据。
60 秒：说明局限和下一步。

可直接使用的草稿：

我用 MIT 6.S191 作为深度学习入门地图。我的目标不是一次掌握所有高级推导，而是能把深度学习任务拆成输入、输出、模型、loss、训练和评价。课程从基础神经网络开始，扩展到序列建模、计算机视觉、生成模型、强化学习、LLM、AI for Science 和大规模训练。我重点关注每类方法解决什么问题，以及它们在代码中如何表现。

以序列建模为例，模型面对的是有顺序的数据，例如文本、音乐或时间序列。核心问题是当前元素的意义依赖上下文。模型通常先把 token 转成 embedding，再通过 RNN 或 attention/Transformer 建模上下文关系。训练目标可以是预测下一个 token 的 cross entropy。这个主题和时间序列、复杂系统状态预测有关，但如果用于科研数据，还需要检查非平稳性、样本量、不确定性和领域约束。

在代码上，我至少要检查输入 shape、输出 shape、loss 类型和训练过程中 loss 是否变化。比如分类任务中输入通常是 (batch, features)，输出是 (batch, classes) 的 logits，标签是类别编号，loss 使用 cross entropy。这个最小运行结果不能证明模型泛化能力强，但可以证明训练循环和数据格式是通的。

5. 错误复盘模板


错误发生位置：

报错原文：

我最初以为原因是：

实际原因是：

涉及概念：

最小修复：

修复后如何验证：

以后遇到类似问题先检查：

示例：

报错提示 matrix shape mismatch。最初以为是模型层数写错，实际原因是输入特征维度是 10，但线性层写成 Linear(8, 3)。涉及概念是矩阵乘法维度匹配。修复方法是把第一层改成 Linear(10, 3)，或者检查前一层输出是否应该是 8 维。修复后打印输入 shape 和 logits shape，并确认 loss 可以正常计算。

6. AI 学习提示词

6.1 视频前预习


我准备学习 MIT 6.S191 的【Lecture 标题】。请按跨专业硕士新生水平帮我预习。要求：

1. 一句话说明这讲解决什么问题；

2. 列出 8 个必须知道的概念；

3. 每个概念给直觉解释、专业表达和一个例子；

4. 告诉我看视频时应该重点听哪些图、公式、demo；

5. 给出 5 个看完后必须能回答的问题。

6.2 视频后整理


下面是我看 MIT 6.S191 某一讲后的粗糙笔记。请不要虚构课程内容。请先指出我笔记缺少哪些关键信息，再按 task、input、output、model、objective/loss、evidence、limitation 整理成 Obsidian 笔记。最后给我一段 1 分钟课堂表达和 3 个应该追问老师/同学的问题。



我的笔记：

【粘贴】

6.3 代码报错


我在跑 MIT 6.S191 的 lab/notebook。请按路径、包版本、数据、shape、dtype、device、loss 的顺序排查，不要直接重写整个 notebook。请给最小检查代码、最小修改方案，并说明这次错误暴露了哪个概念短板。



报错：

【粘贴完整报错】



相关代码：

【粘贴出错 cell】

6.4 专业表达改写


请把我下面这段口语化理解改写成适合课堂或组会表达的版本。要求保留我的理解边界，不要写得像我已经完全掌握。输出两个版本：保守版和稍专业版。最后列出 5 个可能被追问的问题。



我的理解：

【粘贴】

7. 课程完成后的个人短板定位

短板	表现	下一步
数学短板	看不懂梯度、矩阵、概率表达	回到课前基础，重做最小例子
代码短板	lab 报错无法定位	练习 shape、dtype、device 排查
概念短板	能背名词但不能解释任务	每讲补 task/input/output/loss
表达短板	明白一点但说不清	用 1 分钟模板复述
研究连接短板	不知道和方向关系	每讲写一个复杂系统/时间序列/极值类比

8. 最终复盘写作模板


我用 MIT 6.S191 建立了深度学习的基础地图。课程让我把深度学习理解为一套从数据到表示、从表示到预测或生成、再通过 loss 和梯度优化参数的框架。现在我能初步区分基础神经网络、序列建模、计算机视觉、生成模型、强化学习、LLM、AI for Science 和大规模训练。我的最强收获是 ____，证据是 ____。我的主要短板是 ____，下一步需要通过 ____ 来补。对未来课程和实验室方向，我认为最相关的主题是 ____，因为 ____。我仍然不确定的是 ____，准备向老师/同学/AI 追问 ____。