lecture-notes

一条分享曾鸣老师《看十年》直播公开课笔记的帖子，讨论AI时代的商业变革：从产品导向转向消费者意图导向、Agent时代的context组织与学习闭环，以及AI原生如何以规模化机器智能重构产品、工作流与组织。

CMU 课程 11-768 AI Agents 第 12 讲讲义公开，主题为强化学习系统，讲解如何在多 GPU 集群上训练 LLM Agent 的 RL：训练与推理引擎的协同、KV/Prefix Caching、Weight Sync、Agentic RL 常见陷阱（序列扩展、chat template、TITO、sync vs async）及从单程序到云原生微服务的系统设计选型。

本文分享了普林斯顿大学 COS 324 - 机器学习导论课程的讲义，提供了关于监督学习、深度学习和强化学习等主题的资源。

本文对扩散模型进行了以证明为导向的介绍，涵盖了朗之万动力学、基于分数的模型、离散化、离散扩散以及推理时控制，面向研究生读者。

文章批评当前的神经网络理论缺少一个控制方程，认为在学习、推理和收敛在数学上统一之前，AGI仍然是一种外推而非一个适定的科学对象。

一套涵盖神经网络数学的讲义，从基本激活函数到群卷积和等变性等几何概念。

关于量子机器学习基础的讲座笔记，涵盖量子比特、叠加态、测量和布洛赫球。

一套免费的麻省理工学院讲义，关于机器学习的矩阵微积分，结合了严谨的数学与可视化解释。

一门结构化的强化学习课程，包含讲义、教程任务和视频，作为帕德博恩大学和锡根大学的开源材料分享。

David Silver强化学习课程第8讲关于整合学习与规划的摘要，涵盖基于模型的强化学习以及AlphaGo使用策略网络和价值网络结合蒙特卡洛树搜索的方法。

一门高效AI课程的第12讲笔记，涵盖 Transformer 与 LLM 基础知识，包括多头注意力机制、位置编码、KV 缓存，以及模型架构与推理效率之间的关联。内容阐释了 Transformer 中的设计选择如何影响内存占用、延迟表现和硬件效率。