學習
我正在學習的事情的運行日誌，以建立強大的核心軟體工程技能，同時每天也擴展我對相鄰技術的知識。
更新：每月一次 |目前焦點：生成人工智慧
核心技能
Python程式設計
| 資源 | 進步 |
|---|
| Datacamp：編寫高效的 Python 程式碼 | ✅ |
| Datacamp：用 Python 寫函數 | ✅ |
| Datacamp：Python 中的物件導向編程 | ✅ |
| Datacamp：Python 中階物件導向編程 | ✅ |
| Datacamp：在 Python 中匯入資料（第 1 部分） | ✅ |
| Datacamp：在 Python 中匯入資料（第 2 部分） | ✅ |
| Datacamp：資料科學中級 Python | ✅ |
| Datacamp：Python 資料科學工具箱（第 1 部分） | ✅ |
| Datacamp：Python 資料科學工具箱（第 2 部分） | ✅ |
| Datacamp：開發 Python 套件 | ✅ |
| 資料營：Conda Essentials | ✅ |
| Youtube：教學：Sebastian Witowski - 現代 Python 開發人員工具包 | ✅ |
| Datacamp：在 Python 中使用日期和時間 | ✅ |
| Datacamp：Python 命令列自動化 | ⬜ |
| Datacamp：Python 中資料科學的單元測試 | ✅ |
| 書籍：Python 201 | ⬜ |
| 書籍：寫出慣用的 Python 3 | ⬜ |
| 書籍：使用 Python 進行測試驅動開發 | ⬜ |
| 文章：Python 的許多命令列實用程序 | ⬜ |
| 文章：程式設計師的 Unicode 簡介 | ⬜ |
| 文章：Python 記憶體分析簡介 | ✅ |
| 文章：使用 memory_profiler 分析 Python 程式碼 | ✅ |
| 文章：如何使用「memory_profiler」來分析 Python 程式碼的記憶體使用量？ | ✅ |
資料結構和演算法
| 資源 | 進步 |
|---|
| 書：摸索演算法 | ✅ |
| 書：《技術簡歷由內而外》 | ✅ |
| Neetcode：適合初學者的演算法和資料結構 | ✅ |
| Udacity：資料結構與演算法簡介 | ✅ |
Linux 與命令列
| 資源 | 進步 |
|---|
| Datacamp：資料科學 Shell 簡介 | ✅ |
| Datacamp：Bash 腳本簡介 | ✅ |
| Datacamp：Shell 中的資料處理 | ✅ |
| 麻省理工學院：失蹤的學期 | ✅ |
| Udacity：Linux 命令列基礎知識 | ✅ |
| Udacity：Shell 研討會 | ✅ |
| Udacity：設定 Linux Web 伺服器 | ✅ |
版本控制
| 資源 | 進步 |
|---|
| Udacity：使用 Git 進行版本控制 | ✅ |
| Datacamp：Git 資料科學簡介 | ✅ |
| Udacity：GitHub 與協作 | ✅ |
| Udacity：如何使用 Git 和 GitHub | ✅ |
資料庫
| 資源 | 進步 |
|---|
| Udacity：關係型資料庫簡介 | ✅ |
| Udacity：資料庫系統概念與設計 | ⬜ |
| Datacamp：資料庫設計 | ⬜ |
| Datacamp：Python 資料庫簡介 | ⬜ |
| Datacamp：資料科學 SQL 簡介 | ✅ |
| Datacamp：中級 SQL | ⬜ |
| Datacamp：在 PostgreSQL 中連接數據 | ⬜ |
| Udacity：用於資料分析的 SQL | ⬜ |
| Datacamp：SQL 中的探索性資料分析 | ⬜ |
| Datacamp：將 SQL 應用於實際問題 | ⬜ |
| Datacamp：使用 SQL 分析業務數據 | ⬜ |
| Datacamp：使用 SQL 進行報告 | ⬜ |
| Datacamp：SQL 中的資料驅動決策 | ⬜ |
| Datacamp：NoSQL 概念 | ⬜ |
| Datacamp：Python 中的 MongoDB 簡介 | ⬜ |
後端工程
| 資源 | 進步 |
|---|
| Udacity：身份驗證和授權：OAuth | ⬜ |
| Udacity：HTTP 和 Web 伺服器 | ⬜ |
| Udacity：客戶端-伺服器通信 | ⬜ |
| Udacity：設計 RESTful API | ⬜ |
| Datacamp：Python API 簡介 | ⬜ |
| Udacity：Web 開發人員網絡 | ⬜ |
生產系統設計
| 資源 | 進步 |
|---|
| 書籍：設計機器學習系統 | ✅ |
| Neetcode：初學者係統設計 | ✅ |
| Neetcode：系統設計面試 | ✅ |
| Datacamp：Python 中的客戶分析和 A/B 測試 | ✅ |
| Datacamp：Python 中的 A/B 測試 | ⬜ |
| Udacity：A/B 測試 | ⬜ |
| Datacamp：MLOps 概念 | ✅ |
| Datacamp：機器學習監控概念 | ✅ |
數學
| 資源 | 進步 |
|---|
| Datacamp：Python 機率基礎 | ✅ |
| Datacamp：統計學簡介 | ✅ |
| Datacamp：Python 統計簡介 | ✅ |
| Datacamp：Python 中的假設檢定 | ✅ |
| Datacamp：Python 中的統計思維（第 1 部分） | ✅ |
| Datacamp：Python 中的統計思維（第 2 部分） | ✅ |
| Datacamp：Python 實驗設計 | ✅ |
| Datacamp：用 Python 練習統計面試問題 | ⬜ |
| edX：使用 Excel 進行資料分析的基本統計 | ✅ |
| Udacity：推論統計簡介 | ✅ |
| 麻省理工學院 18.06 線性代數，2005 年春季 | ✅ |
| Udacity：特徵向量和特徵值 | ✅ |
| Udacity：線性代數複習 | ⬜ |
| YouTube：線性代數的本質 | ⬜ |
前端基礎知識
超文本標記語言
| 資源 | 進步 |
|---|
| Codecademy：學習 HTML | ✅ |
| Codecademy：製作網站 | ✅ |
| 文章：替代文本 | ⬜ |
CSS
| 資源 | 進步 |
|---|
| Pluralsight：CSS 定位 | ✅ |
| Pluralsight：CSS 簡介 | ✅ |
| Pluralsight：CSS：特異性、盒子模型和最佳實踐 | ✅ |
| Pluralsight：CSS：使用 Flexbox 進行佈局 | ✅ |
| 代碼學校：用 Bootstrap 進行爆炸 | ✅ |
| Pluralsight：使用者體驗基礎知識 | ✅ |
| Codecademy：學習 SASS | ✅ |
| 面向 Javascript 開發人員的 CSS | ✅ |
| 文章：在 Figma 設計中建立插圖 | ✅ |
| 書籍：重構 UI | ⬜ |
| Youtube：如何讓你的網站不難看：程式設計師的基本使用者體驗 | ⬜ |
JavaScript
| 資源 | 進步 |
|---|
| Udacity：ES6 - JavaScript 改進 | ✅ |
| Udacity：Javascript 簡介 | ✅ |
| Udacity：物件導向 JS 1 | ✅ |
| Udacity：物件導向 JS 2 | ✅ |
| Udemy：理解 Typescript | ✅ |
| Codecademy：學習 JavaScript | ✅ |
| Codecademy：Jquery 軌道 | ✅ |
| Pluralsight：使用 Chrome 開發者工具 | ✅ |
專業主題
機器學習
| 資源 | 進步 |
|---|
| 文章：梯度下降最佳化演算法概述 | ✅ |
| 書籍：使用 Scikit-Learn、Keras 和 TensorFlow 進行機器學習實踐，第二版 | ⬜ |
| 書籍：機器學習入門 | ✅ |
| 書籍：製作自己的神經網絡 | ✅ |
| 書：Grokking 機器學習 | ✅ |
| 書籍：StatQuest 機器學習圖解指南 | ✅ |
| Fast.ai：編碼器實用深度學習（第 1 部分） | ✅ |
| Fast.ai：編碼器實用深度學習（第 2 部分） | ⬜ |
| Datacamp：Python 中的整合方法 | ✅ |
| Datacamp：使用 XGBoost 進行極端梯度提升 | ⬜ |
| Datacamp：使用 SciPy 進行聚類方法 | ✅ |
| Datacamp：Python 中的無監督學習 | ✅ |
| Udacity：細分與聚類 | ✅ |
| Datacamp：用於資料科學的 Python 簡介 | ✅ |
| edX：在 Azure HDInsight 中使用 Spark 實作預測分析 | ✅ |
| Datacamp：使用 scikit-learn 進行監督學習 | ✅ |
| Datacamp：Python 中基於樹的模型的機器學習 | ✅ |
| Datacamp：Python 中的線性分類器 | ✅ |
| Datacamp：用於影像處理的捲積神經網絡 | ✅ |
| Datacamp：Python 中的模型驗證 | ✅ |
| Datacamp：Python 中的超參數調優 | ✅ |
| Datacamp：Python 中的人力資源分析：預測員工流失 | ✅ |
| Datacamp：用 Python 預測客戶流失 | ✅ |
| Datacamp：Python 降維 | ✅ |
| Datacamp：Python 機器學習的預處理 | ✅ |
| Datacamp：資料科學的資料類型 | ✅ |
| Datacamp：用 Python 清理數據 | ✅ |
| Datacamp：Python 機器學習的特性工程 | ✅ |
| Datacamp：使用 Python 中的機器學習預測點擊率 | ✅ |
| Datacamp：使用 Python 介紹金融概念 | ✅ |
| Datacamp：Python 中的詐欺偵測 | ✅ |
| Karpathy：神經網路：從零到英雄 | ✅ |
| 文章：神經網路中的權重初始化：從基礎到凱明的旅程 | ⬜ |
自然語言處理
| 資源 | 進步 |
|---|
| 書籍：使用 Transformers 進行自然語言處理 | ✅ |
| 史丹佛 CS224U：自然語言理解 | 2019年春季 | ✅ |
| 史丹佛 CS224N：史丹佛 CS224N：NLP 與深度學習 | 2019年冬季 | ✅ |
| CMU：2020 年低資源 NLP 訓練營 | ✅ |
| CMU 多語言 NLP 2020 | ✅ |
| Datacamp：Python 中的 NLP 特徵工程 | ✅ |
| Datacamp：Python 自然語言處理基礎知識 | ✅ |
| Datacamp：Python 中的正規表示式 | ✅ |
| Datacamp：語言建模的 RNN | ✅ |
| Datacamp：Python 自然語言生成 | ✅ |
| Datacamp：用 Python 建構聊天機器人 | ✅ |
| Datacamp：Python 中的情緒分析 | ✅ |
| Datacamp：Python 機器翻譯 | ✅ |
| 文章：搭配的不合理效果 | ⬜ |
| 文章：FuzzyWuzzy：Python 中的模糊字串匹配 | ✅ |
| 文章：曼巴解釋 | ⬜ |
| 文章：Mamba 與狀態空間模型的視覺指南 | ⬜ |
| 文章：擁抱面的量化基礎知識 | ✅ |
生成式人工智慧
法學碩士理論
| 資源 | 進步 |
|---|
| 文章：SolidGoldMagikarp（加，提示產生） | ⬜ |
| DeepLearning.AI：法學碩士預訓練 | ✅ |
| DeepLearning.AI：擴散模型如何運作 | ⬜ |
Karpathy：大型語言模型簡介 [ 1hr ] | ✅ |
Karpathy：讓我們建立 GPT Tokenizer [ 2hr13m ] | ✅ |
Karpathy：讓我們重現 GPT-2 (124M) [ 4hr1m ] | ⬜ |
Youtube：語言模型駭客指南 [ 1hr30m ] | ✅ |
| YouTube：Finbarr Timbers 的 5 年 GPT | ⬜ |
| 文章：文字生成採樣 | ⬜ |
| DeepLearning.AI：根據人類回饋進行強化學習 | ✅ |
Youtube：LLaMA 解釋：KV-Cache、旋轉位置嵌入、RMS Norm、分組查詢注意力、SwiGLU [ 1h10m ] | ⬜ |
資訊檢索/RAG
| 資源 | 進步 |
|---|
| 用於搜尋的預訓練 Transformer 語言模型 - 第 1 部分 | ⬜ |
| 用於搜尋的預訓練 Transformer 語言模型 - 第 2 部分 | ⬜ |
| 用於搜尋的預訓練 Transformer 語言模型 - 第 3 部分 | ⬜ |
| 用於搜尋的預訓練 Transformer 語言模型 - 第 4 部分 | ⬜ |
| 了解LanceDB的IVF-PQ索引 | ⬜ |
| 一點池化對於多向量表示有很大幫助 | ✅ |
| 全端檢索課程 | |
| 文章：複雜程度：RAG 應用程式 | ✅ |
| 文章：有系統地改進您的 RAG | ⬜ |
| 文章：停止使用 LGTM@Few 作為指標（更好的 RAG） | ⬜ |
| 文章：RAG 搜尋的唾手可得的成果 | ⬜ |
| 文章：人工智慧工程師應該了解哪些關於搜尋的知識 | ✅ |
| 文章：評估檢索分塊策略 | ⬜ |
| 文章：句子嵌入。句子嵌入簡介 | ⬜ |
| DeepLearning.AI：建立和評估高級 RAG 應用程式 | ✅ |
| DeepLearning.AI：向量資料庫：從嵌入到應用程式 | ✅ |
| DeepLearning.AI：使用 Chroma 進行 AI 進階檢索 | ✅ |
| DeepLearning.AI：快速壓縮和查詢優化 | ✅ |
DeepLearning.AI：具有語意搜尋的大型語言模型 [ 1hr ] | ✅ |
| DeepLearning.AI：使用向量資料庫建立應用程式 | ✅ |
| DeepLearning.AI：建立多模態搜尋和 RAG | ⬜ |
| DeepLearning.AI：RAG 的知識圖 | ⬜ |
| DeepLearning.AI：LangChain 的功能、工具和代理 | ⬜ |
| DeepLearning.AI：使用 LlamaIndex 建置代理程式 RAG | ⬜ |
| DeepLearning.AI：帶有crewAI的多人工智慧代理系統 | ⬜ |
| DeepLearning.AI：使用 AutoGen 的 AI 代理設計模式 | ⬜ |
| DeepLearning.AI：LangGraph 中的 AI 代理 | ⬜ |
| DeepLearning.AI：建立您自己的資料庫代理 | ⬜ |
| DeepLearning.AI：為 LLM 應用程式預處理非結構化數據 | ⬜ |
| DeepLearning.AI：嵌入模型：從架構到實現 | ✅ |
| Pinecone：為忙碌的工程師提供生產中的向量資料庫 | ⬜ |
| 松果：檢索增強生成 | ⬜ |
| 松果：浪鏈AI手冊 | ⬜ |
| Pinecone：影像搜尋的嵌入方法 | ⬜ |
| 松果：費斯：失蹤的手冊 | ⬜ |
| 松果：野外向量搜尋 | ⬜ |
| Pinecone：用於語意搜尋的自然語言處理 | ⬜ |
| Youtube：有系統地改進 RAG 應用程式 | ✅ |
| Youtube：RAG 與 Jo Bergum 回歸基礎 | ✅ |
| Youtube：超越檢索基礎以增強一代（與 Ben Clavié 合作） | ✅ |
| YouTube：RAG 從頭開始 | 0/14 |
| 文章：LambdaMART 深入研究 | ⬜ |
| 文章：輪廓的引導生成 | ✅ |
及時工程
| 資源 | 進步 |
|---|
| 文章：OpenAI 提示工程 | ⬜ |
| 文章：提示基礎知識以及如何有效應用它們 | ✅ |
| 人擇課程 | ⬜ |
| 文章：即時工程（翁麗亮） | ✅ |
| 文章：Prompt Engineering 201：先進方法與工具包 | ✅ |
| 文章：優化法學碩士的準確性 | ✅ |
| 文章：入門知識 • 快速工程 | ⬜ |
| 文章：Anyscale 端點：JSON 模式與函數呼叫功能 | ⬜ |
| 文章：使用大型語言模型引導文字生成 | ⬜ |
| 文章：GPT-4 視覺替代方案 | ⬜ |
| DeepLearning.AI：ChatGPT 為開發人員提供提示工程 | ⬜ |
| DeepLearning.AI：視覺模型的快速工程 | ⬜ |
| DeepLearning.AI：使用 Llama 2 和 3 進行快速工程 | ⬜ |
| Wandb：法學碩士工程：結構化輸出 | ⬜ |
| DeepLearning.AI：使用法學碩士進行函數呼叫和資料擷取 | ⬜ |
| 系列: 即時注射 | ⬜ |
Youtube：快速工程概述 [ 1hr4m ] | ✅ |
| Youtube：法學碩士的結構化生成 | ⬜ |
LLMOps
| 資源 | 進步 |
|---|
| 文章：建構基於法學碩士的系統和產品的模式 | ✅ |
| 文章：LLM 應用程式的新興架構 | ✅ |
| 文章：如何讓法學碩士快速進展 | ⬜ |
| 文章：在快車道上！推測性解碼 - 模型大 10 倍，無需額外成本 | ⬜ |
| 文章：協調多 GPU：LLM 推理的高效擴展 | ⬜ |
| 文章：多查詢注意力就是你所需要的 | ⬜ |
| 文章：Transformers 推理優化工具集 | ⬜ |
| DeepLearning.AI：高效服務法學碩士 | ✅ |
| DeepLearning.AI：LLMOps 的自動化測試 | ✅ |
| DeepLearning.AI：紅隊法學碩士申請 | ✅ |
| DeepLearning.AI：使用權重和偏差評估和調試生成式 AI 模型 | ⬜ |
| DeepLearning.AI：法學碩士申請的品質和安全 | ⬜ |
| 深度學習.AI：LLMOps | ⬜ |
| DeepLearning.AI：使用 Amazon Bedrock 的無伺服器 LLM 應用程式 | ⬜ |
| DeepLearning.AI：深度量化 | ⬜ |
| DeepLearning.AI：設備端人工智慧簡介 | ⬜ |
| 文章：量化視覺化指南 | ⬜ |
| 文章：QLoRA 和 4 位量化 | ⬜ |
| 文章：透過互動式視覺化了解 AI/LLM 量化 | ⬜ |
| 文章：LLM 推理系列：3. KV 快取解釋 | ⬜ |
| 文章：LLM 推理系列：4. KV 緩存，更深入的了解 | ⬜ |
| 文章：LLM 推理系列：5. 剖析模型效能 | ⬜ |
| Youtube：SBTB 2023：Charles Frye，平行處理器：法學碩士與作業系統核心之間過去與未來的聯繫 | ⬜ |
| 文章：Transformer 推理演算法 | ⬜ |
建構基於法學碩士的系統
| 資源 | 進步 |
|---|
| 文章：我們從法學碩士一年的建設中學到了什麼 | ⬜ |
| 文章：如何產生和使用合成資料進行微調 | ✅ |
| 文章：您的人工智慧產品需要評估 | ✅ |
| 文章：特定任務的法學碩士評估有效和無效 | ✅ |
| 文章：LLM 應用程式的資料飛輪 | ⬜ |
| 文章：來自戰壕的法學新聞：GoDaddy 營運模式的 10 個經驗教訓 | ✅ |
| 文章：抽象摘要的評估和幻覺偵測 | ✅ |
| 文章：生成式 AI 應用程式和副駕駛的新興 UX 模式 | ✅ |
| 文章：新手 LLM 訓練指南 | ⬜ |
| 文章：將 ChatGPT 的結構化資料支援推向極限 | ✅ |
| 文章：GPTed：使用 GPT-3 進行語意散文檢查 | ✅ |
| 文章：不用擔心法學碩士 | ⬜ |
| DeepLearning.AI：微調大型語言模型 | ✅ |
| DeepLearning.AI：使用 ChatGPT API 建置系統 | ⬜ |
| DeepLearning.AI：用於LLM應用程式開發的LangChain | ⬜ |
| DeepLearning.AI：LangChain：與您的數據對話 | ⬜ |
| DeepLearning.AI：使用 Gradio 建立生成式 AI 應用程式 | ✅ |
| DeepLearning.AI：擁抱臉部的開源模型 | ⬜ |
| DeepLearning.AI：米斯特拉爾入門 | ⬜ |
| Datacamp：使用LangChain開發LLM應用程式 | ⬜ |
| LLMOps：與 LLM 一起構建 | ⬜ |
| 法學碩士訓練營 - 2023 年春季 | ✅ |
| Youtube：最大化 LLM 成績的技術調查 | ✅ |
| Youtube：法學碩士系統和產品的建構模組：Eugene Yan | ✅ |
| Youtube：微調 OpenAI 模型 - 最佳實踐 | ✅ |
| Youtube：課程：法學碩士微調與蠑螈 | 0/4 |
| Youtube：微調法學碩士 | 1/5 |
| YouTube：法學碩士評估 | 0/5 |
| YouTube：建立 LLM 申請 | 0/8 |
技術技能（庫/框架/工具）
AWS
| 資源 | 進步 |
|---|
| Udemy：2018 年 AWS 認證開發人員 - 助理 | ✅ |
薑戈
| 資源 | 進步 |
|---|
| 文章：Django、HTMX 和 Alpine.js：現代網站，JavaScript 可選 | ✅ |
Matplotlib
| 資源 | 進步 |
|---|
| Datacamp：Seaborn 簡介 | ✅ |
| Datacamp：Matplotlib 簡介 | ✅ |
ML流
下一個JS
貓熊
| 資源 | 進步 |
|---|
| 資料營：Pandas 基金會 | ✅ |
| Datacamp：Pandas 加入電子表格用戶 | ✅ |
| Datacamp：使用 pandas 操作 DataFrame | ✅ |
| Datacamp：將 DataFrame 與 pandas 合併 | ✅ |
| Datacamp：使用 pandas 進行資料操作 | ✅ |
| Datacamp：使用 pandas 優化 Python 程式碼 | ✅ |
| Datacamp：使用 pandas 簡化資料攝取 | ✅ |
| Datacamp：使用 pandas 分析行銷活動 | ✅ |
| Datacamp：用 pandas 分析警察活動 | ✅ |
火炬
| 資源 | 進步 |
|---|
| 文章：PyTorch 內部結構 | ⬜ |
| 文章：將 PyTorch 視為理所當然 | ⬜ |
| Datacamp：PyTorch 深度學習簡介 | ✅ |
| Datacamp：使用 PyTorch 進行中級深度學習 | ⬜ |
| Datacamp：使用 PyTorch 進行文字深度學習 | ⬜ |
| Datacamp：使用 PyTorch 進行影像深度學習 | ⬜ |
| Deeplizard：神經網路程式設計 - 使用 PyTorch 進行深度學習 | ✅ |
ReactJS
| 資源 | 進步 |
|---|
| Codecademy：學習 ReactJS：第一部分 | ✅ |
| Codecademy：學習 ReactJS：第二部分 | ✅ |
| NextxtJS：React 基礎 | ⬜ |
史帕西
| 資源 | 進步 |
|---|
| Datacamp：使用 spaCy 進行進階 NLP | ✅ |
張量流和 Keras
| 資源 | 進步 |
|---|
| Datacamp：Python 中的 TensorFlow 簡介 | ✅ |
| Datacamp：Python 深度學習 | ✅ |
| Datacamp：Keras 深度學習簡介 | ✅ |
| Datacamp：使用 Keras 進行高階深度學習 | ✅ |
| Deeplizard：Keras - Python 深度學習神經網路 API | ✅ |
| Udacity：用於深度學習的 TensorFlow 簡介 | ✅ |
