TTiti的学习笔记
首页 / 综合实践 / 05_每周执行/MIT_6S191_三周学习计划.md

MIT 6.S191 三周学习计划

综合实践 · 05_每周执行/MIT_6S191_三周学习计划.md

MIT 6.S191 三周学习计划

来源：<https://introtodeeplearning.com/> 总目标：三周内看完约 9 小时课程录像，并形成可复述、可运行、可验收的学习证据。

每周节奏

建议每天 60-90 分钟。不要追求一次看完，重点是每讲都留下证据。

周次范围主要任务产出
第 1 周Lecture 1-3神经网络基础、序列建模、视觉3 页讲座笔记，至少 1 个 lab/notebook 跑通
第 2 周Lecture 4-6生成模型、强化学习、LLM/新前沿3 页讲座笔记，1 次 lab 报错复盘或最小复现
第 3 周Lecture 7-9AI for Science、大规模训练、项目表达3 页讲座笔记，1 个 5 分钟汇报稿

每讲固定流程

Step 1：课前 15 分钟

  • 打开官网 lecture 页面和 slides。
  • 看标题、目录、图，不钻公式。
  • 写下三个预测：

    • - 这讲解决什么任务？ - 输入输出是什么？ - 可能用什么 loss 或评价指标？

Step 2：看视频 45-70 分钟

记录五类信息：

  • task：问题类型。
  • model：模型结构。
  • objective：loss 或训练目标。
  • evidence：实验、demo、lab 或应用证据。
  • limitation：适用边界和风险。

Step 3：课后 40-60 分钟

  • 写一页 Obsidian 笔记。
  • 跑对应 lab 或本仓库已有最小 notebook。
  • 写 3 个问题：概念、代码、研究连接。

第 1 周具体安排

天任务最低产出
Day 1课前基础：tensor、matrix multiplication、loss、gradient完成课前自测 1-5
Day 2Lecture 1：Intro to Deep Learning一页笔记 + X @ W + b 代码
Day 3Lecture 1 对应 lab/最小训练循环记录一次 loss 下降
Day 4Lecture 2：Deep Sequence Modeling解释 token、embedding、sequence
Day 5Lecture 2 lab 或最小序列 demo记录输入 shape 和输出 shape
Day 6Lecture 3：Deep Computer Vision解释 convolution、feature map
Day 7第 1 周复盘3 分钟口头解释：神经网络如何学习

第 2 周具体安排

天任务最低产出
Day 8Lecture 4：Deep Generative Modeling区分分类、预测、生成
Day 9生成模型最小例子或 lab 阅读写清 latent/denoising 的作用
Day 10Lecture 5：Deep Reinforcement Learning区分 state、action、reward、policy
Day 11RL 例子复盘说明 RL 为什么难评估
Day 12Lecture 6：New Frontiers连接 LLM、fine-tuning、alignment
Day 13LLM lab 或 fine-tuning 概念复盘写出 pretraining vs fine-tuning
Day 14第 2 周复盘3 个最容易混淆概念和修正表达

第 3 周具体安排

天任务最低产出
Day 15Lecture 7：AI for Science写出 AI 辅助科学发现的流程
Day 16联系你的方向选一个复杂系统/时间序列/极值问题做类比
Day 17Lecture 8：Massively Parallel Training解释显存、batch、并行、通信瓶颈
Day 18大模型训练复盘写清为什么 scaling 不是只加参数
Day 19Lecture 9：Project Work整理一个小项目 proposal
Day 20准备 5 分钟汇报讲清一讲课程 + 一个 notebook/lab 证据
Day 21最终验收完成验收清单

学习记录模板


日期：

讲次：

我认为这讲解决的问题：

核心模型/结构：

输入：

输出：

loss/训练目标：

我跑过的代码或 lab：

我观察到的 shape/loss/指标：

我还不确定的地方：

可以问老师/同学的问题：

下一步：