AI 与算法学习路线

这页把站内已经发布的算法、机器学习、深度学习和网络基础内容串成可执行路径。它不是泛泛的课程目录，而是按“先理解问题、再运行代码、最后复核结果”的顺序组织，方便读者从一篇文章进入一组可验证材料。

建议每一站都保留一份本地实验记录：输入数据、关键参数、输出截图或日志、失败样例。这样读完文章后，不只是知道概念，还能复现代码行为。

阶段	先解决的问题	对应材料	完成标准
算法状态	递归搜索怎样展开、剪枝和回溯。	八皇后基础、位运算优化、算法可视化页。	能解释状态栈、冲突检测和 92 个解的复核方法。
机器学习实验	数据预处理、初始化、迭代收敛和误差指标如何连接。	Iris K-means、机器学习工作流、特征工程。	能记录 SSE、重启次数、标准化设置和失败模式。
深度学习基础	矩阵计算、反向传播、卷积和注意力如何形成训练闭环。	神经网络基础、计算图、Transformer 数学。	能用小矩阵手算一轮 forward/backward，并对照代码输出。
系统与网络	DNS、TCP、TLS、HTTP/3、代理和缓存如何影响真实请求。	网络基础、缓存可观测性、代理边界文章。	能画出请求链路，并标出状态码、缓存命中和安全边界。

学习路径

从回溯到聚类的四步路线

把当前站点里最完整的算法文章、代码、数据集和图示串起来，适合第一次访问时按顺序阅读。

已完成 0/4

如果你是第一次访问，先从算法状态和机器学习实验开始；如果已经会写 Python/C 小程序，可以直接进入深度学习数学或网络协议。每个主题都尽量提供文章、代码、图表或下载材料中的至少两种证据，避免只停留在概念解释。

这条路线的重点是建立“可复核”的学习习惯：读文章时记录定义，跑代码时记录输入输出，看图表时记录图表来自哪组数据。遇到看不懂的节点，不建议继续向后跳，而是回到对应的基础文章补上缺口。

如果你在一周内只做一个主题，可以把目标缩小为三件事：读完一篇核心文章，跑通一个最小实验，写出一个失败案例。对算法和机器学习来说，失败案例通常比成功截图更有价值，因为它能暴露边界、参数敏感性和假设条件。