雅思终于考完了md，这次找不到借口因为别的东西不想敲代码了（虽然我感觉tmd听力还是过不了，运气好希望能一次过吧（虽然每次感觉运气好的时候运气都不好））。

无论如何，英语的学习算是告一段落了，就算运气不好的话，单科重考我认为还是很有把握的。

所以！接下来我要开始学习LLM了！但是如何入门呢？这个太宽太杂，我目前有这两种ideas：

直奔导师

直接去看未来选的导师的研究内容，但是是不是有一些太随意了。。。但是这个逃不掉，于是，我通过chatgpt问了一下，目前LLM主要是工作内容是哪些
内容如下：

学习大语言模型（LLM）的入门步骤可以分为以下几个阶段：

1. 理论基础
   自然语言处理 (NLP) 基础：

学习 NLP 的核心概念，例如分词、词向量、句法分析等。
推荐资源：《Speech and Language Processing》(Jurafsky & Martin) 或 Stanford 的 CS224N 课程。
深度学习基础：

熟悉神经网络、梯度下降、优化方法等。
推荐课程：Andrew Ng 的 深度学习专项课程。
概率与统计：

掌握基础概率分布（例如正态分布）、贝叶斯公式等，理解生成模型和变分推断的理论背景。
2. 模型与技术
预训练模型基础：

学习 Word2Vec、GloVe 等词嵌入模型，以及 Transformer 的工作原理。
推荐论文：《Attention is All You Need》（Transformer 起源）。
LLM 架构：

了解 GPT 系列和 BERT 系列模型的架构和差异。
推荐资源：
GPT 系列论文（尤其 GPT-3 和 GPT-4）。
Hugging Face 文档（Transformers 官方教程）。
模型训练与微调：

学习如何使用大模型进行微调（Fine-tuning）和提示学习（Prompt Engineering）。
工具：Hugging Face、PyTorch。
3. 动手实践
环境搭建：

熟悉 Python 环境，安装 NLP 必备库（如 Transformers、spaCy、NLTK）。
入门项目：

文本分类：使用 BERT 对情感分析数据进行分类。
文本生成：用 GPT 模型生成摘要或回答问题。
提示优化：探索 ChatGPT API 的提示设计（Prompt Engineering）。
数据集：

从公开数据集入手，例如 Hugging Face Datasets、Kaggle 的 NLP 项目。
4. 持续学习
阅读论文：

阅读最新的 LLM 相关论文，掌握领域动态（推荐网站：arXiv）。
参与社区：

加入 Hugging Face、OpenAI 等社区，与同行交流学习。
竞赛与应用：

参加 NLP 相关竞赛（例如 Kaggle、天池）。
在实际应用中使用 LLM，例如客服问答、文本摘要等。
推荐学习路径
观看 Transformer 和 BERT 的教学视频，理解基础架构。
使用 Hugging Face 训练并微调一个小型模型。
加深对生成式模型的理解，例如 ChatGPT 的提示设计与多轮对话。

比赛

算了=.=chat出来的学习路线是一点都不想看，但是他的基础知识确实还是很有必要的。好吧，那我只能先把理论基础给干了，然后自然就是实践出真知打比赛辣！总结一下需要学习的内容：

1. 找本书看，把基础过一遍先，然后做一下课后题把相关代码熟悉熟悉
2. numpy和pandas再重新过一遍，天天chat都快没脑子了！
3. Python中的模块再学一遍，虽然我觉得这个没必要，但是写出有整洁性的代码对观赏来说真的太舒服了（虽然全用def也不是不行？）
4. KAGGLEEEEEEEEEEEEEEEEEEEEEEEEEE（需要什么比赛另说吧，至少先把基础过了）

总结

没啥好说的，开学！

附录：

LLM宝典：https://datawhalechina.github.io/llm-cookbook/#/C1/1.%20%E7%AE%80%E4%BB%8B%20Introduction
书籍：https://github.com/Kensuke-Hinata/statistic