没有机器学习背景，希望从传统软件出发系统理解 AI 原理的学习者。
KNOWLEDGE PATH · 2 + 4 + 2
三层课程知识地图
第一层 · 基础原理课程 01 / 08
- 01基础原理传统软件 → 机器学习 → 深度学习课程 01—02
- 02大模型原理Transformer → 预训练 → 后训练 → 推理课程 03—06
- 03使用与工程Prompt / RAG / Agent → 可靠上线课程 07—08
训练 TRAIN数据 → Forward → Loss → Backprop → Optimizer产生新参数版本
推理 INFERENCE上下文 → Prefill → Decode → Token普通请求不更新参数
第一层 · 传统软件与机器学习基础从确定性程序逐步进入学习系统，讲清样本、参数、Loss、梯度、泛化及训练/推理边界。页面中的业务数据与趋势属于教学模拟；真实能力还需通过可运行代码、测试和项目验收。
START HERE
先确认这门课是否适合你
完成后，你能解释传统程序与机器学习的根本区别，读懂一条最小训练链，并准确区分训练与推理。
- 知道软件会接收输入并产生输出
- 能读懂少量流程图和简单数值
- 愿意先预测结果，再操作实验
- 不要求 Python
- 不要求微积分或线性代数
- 不要求使用过任何大模型 API
阶段一 · 建立地图 / 01阶段 1
需要完成实验传统软件是什么：指令、数据和运行环境共同工作
软件不是一个会自己思考的黑盒。它是一组由人写下的指令，在确定的运行环境中读取数据、执行操作并产生结果。
真实工作情境
这一步只需看懂
01
不跨级，不堆术语把一个概念拆成三层
02
看一遍这个环节如何发生动画演示
先看机制为什么成立，再跟随一个独立例子观察它怎样运行；例子不参与后续实验判定。
03
先判断，再看证据最小互动实验
一句话结论
✓
FOUNDATION COMPLETED“从传统软件到机器学习”已完成
你已经理解确定性程序与学习系统的分界，并走完预测、Loss、梯度、更新和泛化验收。下一课将进入神经网络与深度学习。