1.前期准备

- 夯实数学知识：复习线性代数中的矩阵乘法、特征值等，这对理解模型参数和运算很重要。概率统计里的条件概率、贝叶斯定理等也不可或缺，同时要掌握微积分的基本运算。

- 熟悉编程基础：熟练掌握Python语言，尤其是它的数据结构和控制流。学会使用NumPy、Pandas等工具包，用于数据处理和简单的计算。

2.深度学习算法基础

- 神经网络算法入门：理解感知机算法，它是神经网络的基本单元。掌握前向传播算法来计算神经网络的输出，以及反向传播算法用于计算梯度，从而更新网络的权重。

- 经典神经网络架构学习：学习多层感知机（MLP），这是最基础的深度神经网络架构。了解卷积神经网络（CNN）的卷积层、池化层算法原理，用于图像等数据处理；掌握循环神经网络（RNN）及其改进的长短期记忆网络（LST