README-MIT6S191课程索引

专业知识 · 05-Courses/人工智能/MIT_6S191_Introduction_to_Deep_Learning/README-MIT6S191课程索引.md

# MIT 6.S191 Obsidian 课程索引

本目录用于学习 MIT 6.S191 Introduction to Deep Learning。它不是简单收藏课程链接，而是把课程录像、slides、labs、课前基础、代码运行、口头表达和复盘验收组织成一套可执行学习系统。你打开这个目录时，不需要再去搜索“深度学习怎么入门”“loss 是什么”“lab 报错怎么办”这类基础问题，第一轮学习先按本目录完成闭环。

1. 这套材料解决什么问题

你现在最需要的不是把深度学习所有理论补成科班水平，而是获得最低可用能力：能听懂课程主线，能看懂 notebook 的训练流程，能把不懂的问题问得专业，能在课程作业和组会中用准确但不过度夸大的语言表达自己的理解。

MIT 6.S191 的课程内容跨度很大。它从基础神经网络讲到序列建模、计算机视觉、生成模型、强化学习、LLM、AI for Science 和大规模训练。如果只看视频，很容易出现“名词都熟，但不能应用”的问题。所以本目录把学习动作拆成六个部分：先建立总览，再补基础，再逐讲学习，再跑最小代码，再跑 lab，最后验收复盘。

2. 文件顺序

顺序	文件	用途	什么时候打开
1	`00-课程总览与学习策略.md`	建立课程地图和学习方法	第一次开始课程前
2	`01-课前基础知识补全.md`	补 tensor、矩阵、loss、梯度、Python	看 Lecture 1 前
3	`02-九讲逐讲学习地图.md`	每讲的任务、概念和重点	每讲看前和看后
4	`03-数学与代码最小可运行例子.md`	把公式变成代码	看完 Lecture 1 后，或 lab 报错时
5	`04-Labs与Notebook实操指南.md`	跑 lab、排错、记录证据	每次打开 notebook 前
6	`05-验收复盘与学习提示词.md`	判断是否真的学会	每周复盘和课程结束时

3. 推荐学习路线

第一天只读 00 和 01，不要急着看视频。你要先知道自己看视频时抓什么，否则 9 小时会变成大量名词输入。读完后能说出一个基本训练流程：输入数据经过模型产生预测，预测和真实目标计算 loss，backpropagation 计算梯度，optimizer 更新参数。

第二天开始看 Lecture 1。每讲都先看 02 中对应讲次，再看官网 slides 和视频。看完后写一页笔记，格式固定为 task、input、output、model、objective/loss、evidence、limitation。不要把笔记写成逐字字幕，也不要只写 AI 总结。

每学完两到三讲，打开 03 或 04 跑一个最小代码。不要追求完整复现全部 lab，先保证能解释 shape、loss 和训练循环。比如分类任务中，你至少要知道输入 shape、输出 logits shape、标签 dtype 和 loss 类型。

最后用 05 做验收。只有能做 5 分钟中文汇报，并展示至少 2 个代码证据，才算这门课真正变成了入学前能力。

4. 总学习闭环


flowchart TD

    A["读课程总览"] --> B["补课前基础"]

    B --> C["逐讲看视频和 slides"]

    C --> D["写一页笔记"]

    D --> E["跑 lab 或最小代码"]

    E --> F["记录 shape/loss/报错"]

    F --> G["做 1 分钟口头表达"]

    G --> H["三周后最终验收"]

这张图里的每一步都要留下证据。视频观看记录本身不是证据，真正的证据是你的笔记、代码运行记录、错误复盘、口头表达稿和问题清单。

5. 每讲统一笔记模板


讲次：

主题：

这讲解决的问题：

输入是什么：

输出是什么：

核心模型或结构：

loss 或训练目标：

slides/lab 中的关键证据：

我跑过的代码：

我记录到的 shape：

我记录到的 loss/指标：

这个方法的局限：

和我的课程/研究方向的关系：

我还不确定的问题：

这个模板的作用是强迫你不要只记模型名字。例如“Transformer 很重要”不是合格笔记；合格笔记应该说明 Transformer 面对什么序列输入，如何用 self-attention 建模上下文，输出是什么，训练目标常是什么，和 RNN 相比解决了什么问题。

6. 当前最重要的提醒

不要把 MIT 6.S191 当成“看完就完成”的课程。对你来说，完成标准是能把每一讲转成作业可用、组会可说、代码可跑、问题可追问的材料。

最低标准：

每讲一页笔记。
至少两个代码证据。
每个代码证据记录输入输出 shape 和 loss。
一次 5 分钟汇报。
一个不确定问题清单。

如果时间不够，优先保证 Lecture 1、Lecture 2、Lecture 4、Lecture 6、Lecture 7 的理解。它们分别对应训练流程、序列建模、生成模型、LLM 前沿和 AI for Science。对于你的入学准备，这几部分最容易和后续课程作业、复杂系统、时间序列、AI 协作和科研表达连接起来。

7. 最小开始方式

今天只做三件事：

读 00-课程总览与学习策略.md 的前半部分，写下你学习这门课的目标。
读 01-课前基础知识补全.md 中 tensor、loss、gradient 三节，运行里面的最小代码。
打开 02-九讲逐讲学习地图.md，只看 Lecture 1 的部分，然后再去看课程视频。

不要今天就开太多资料。第一轮学习的原则是：少开窗口、多留证据、每讲可复述。