外观
JD 知识点拆解
一句话定义：本页把招聘 JD 里的技能词，逐一映射到本手册的页面与知识点，并用「会 / 不会 / 半会不会」三档标注，帮你把「岗位要求」翻译成「个人补课清单」。
先读完模块导读与岗位版图和JD 清单，你已经有了 2-3 个目标岗位和它们的三层技能词。现在要做的是：让每个技能词落回具体知识点，并给自己打分。
一、为什么要做「会/不会/半会不会」标注
大多数人面对 JD 的心态是「好像都会一点」——这个模糊感正是面试翻车的根源。三分法强迫你给出明确结论：
- 会：能独立完成、能讲清原理、能应对追问；
- 半会不会：用过但讲不清，或懂原理但没实操——这是最危险、也最值得优先补的一档；
- 不会：完全没接触过，按优先级排进补课序列。
判「会」的金标准
对一个知识点，你能做到三件事中至少两件，才算「会」：(1) 不给资料能讲清核心原理 10 分钟；(2) 能写代码复现一个最小例子；(3) 能说出它与其他方法的权衡。只「用过」不算会。
二、技能词 → 本站页面映射大表
下表把 JD 高频技能词映射到本手册对应页面（这是补课清单的地图，直接拿它对照打分）：
| 技能词 | 对应知识点 | 本站页面 | 归属档 |
|---|---|---|---|
| Transformer / 注意力 | Self-Attention、多头、位置编码 | Transformer 架构、注意力机制 | 架构 |
| 反向传播 | 链式法则、自动微分 | 反向传播与自动微分 | 基础 |
| 神经网络基础 | 前向传播、层、损失 | 神经网络基础、损失函数与输出层 | 基础 |
| 训练优化 | 梯度下降、Adam、学习率调度 | 优化与梯度下降、训练配方与调参 | 训练 |
| 初始化与归一化 | Xavier、BN/LN | 初始化与归一化 | 训练 |
| 过拟合与正则化 | Dropout、权重衰减、早停 | 过拟合与正则化 | 训练 |
| 评估指标 | 精确率/召回/F1、AUC、NDCG | 深度学习评估与实验、评估实践 | 评估 |
| 数据工程 | 数据清洗、标注、不平衡处理 | 数据与数据工程、数据集与工具档案 | 数据 |
| CNN | 卷积、池化、感受野 | CNN 与计算机视觉 | 架构 |
| RNN / 序列建模 | LSTM、GRU、序列任务 | RNN 与序列建模 | 架构 |
| 大模型微调 | 指令微调、LoRA、对齐 | 大语言模型（LLM） | 大模型 |
| RAG | 检索、向量库、增强生成 | 大语言模型（LLM） | 大模型 |
| 多模态 | 图文对齐、融合 | 多模态模型 | 方向 |
| 生成模型 | VAE、GAN、扩散模型 | VAE 与 GAN、扩散模型与生成式 AI | 方向 |
| 强化学习 | MDP、策略梯度、应用 | 深度强化学习、深度强化学习应用 | 方向 |
| 推荐系统 | CTR 预估、召回排序 | 深度学习推荐系统 | 方向 |
| 图神经网络 | 图卷积、消息传递 | 图神经网络 | 方向 |
| 语音与音频 | 声学建模、ASR/TTS | 语音与音频 | 方向 |
| 预训练与表征学习 | 自监督、预训练范式 | 表征学习与预训练 | 基础 |
| 部署 | 服务化、推理优化 | MLOps 与模型部署 | 工程 |
| 分布式训练 | 数据并行、混合并行 | 训练配方与调参 | 工程 |
| 调试与诊断 | 梯度爆炸/消失、NaN | 调试与诊断、常见陷阱与反模式 | 工程 |
| 框架选择 | PyTorch/JAX/框架对比 | 框架与工具怎么选 | 工程 |
| 可解释与公平 | 可解释性、偏见 | 可解释性与公平性 | 工程 |
| 项目实践 | 从零搭建、作品集 | 从零构建一个深度学习项目、作品集项目 | 实践 |
| 读论文能力 | 论文阅读方法、前沿 | 从这里开始、前沿进展 | 研究 |
使用说明
这张表只收录了「需要专门补」的知识点。已经在学习路径里系统学过对应页面的话，直接标「会」即可，不用重复补。
三、生成补课清单：三步法
第 1 步：打分
对照上表，把目标岗位 JD 中出现的每个技能词标注为「会 / 半会不会 / 不会」。重点标注 JD 的硬性要求栏——区分层可以慢慢补，门槛层必须优先。
示例（大模型应用工程师）：
| 技能词 | 标注 | 依据 |
|---|---|---|
| Transformer | 半会不会 | 会调 API，但讲不清注意力公式 |
| PyTorch | 会 | 独立做过完整训练脚本 |
| 分布式训练 | 不会 | 只在本机单卡跑过 |
| 大模型微调 | 半会不会 | 跑过 LoRA 但不懂原理 |
第 2 步：排序
排序规则按优先级从高到低：
- 门槛层 + 不会：最高优先级，可能直接决定简历过不过；
- 门槛层 + 半会不会：次优先，补的是「讲清楚」的能力；
- 区分层 + 不会/半会不会：有时间再补，决定你能不能脱颖而出。
同类优先级内，按「补课成本低→高」排：读一页概念 > 跑通一个 notebook > 做一个完整项目。先用渐进式教程：三版跑起来热身，再啃难的知识点。
第 3 步：生成补课顺序
把排序结果写成一张带截止日期的清单，例如：
| 顺序 | 知识点 | 目标页面 | 达标标准 | 计划 |
|---|---|---|---|---|
| 1 | 注意力机制 | 注意力机制 | 能手推 softmax(QKᵀ/√d)V | 第 1 周 |
| 2 | 训练优化 | 优化与梯度下降 | 讲清 Adam 与 SGD 差异 | 第 1-2 周 |
| 3 | 大模型微调 | 大语言模型（LLM） | 跑通 LoRA 微调一个开源模型 | 第 3-4 周 |
| 4 | 分布式训练 | 训练配方与调参 | 看懂并复现 DataParallel 示例 | 第 5-6 周 |
四、三种典型画像的补课重点
画像 A：转行/新手
背景：Python 会，深度学习基础页学过一半。补课重点：先把神经网络基础、反向传播与自动微分、优化与梯度下降三页啃透并配代码复现，再按目标方向选 1 个 case-study 页做项目。别一上来就追大模型——地基没打牢，简历和面试都会被追问击穿。
画像 B：科班研究生
背景：课程学过、论文在读、动手少。补课重点：往「半会不会」和工程方向补——训练配方与调参、调试与诊断、MLOps 与模型部署；同时用论文地图把领域经典论文串成体系，为面试的「研究深挖」环节做准备。
画像 C：工程师转算法
背景：写代码很强，ML 理论弱。补课重点：补数学基础速查、损失函数与输出层、深度学习评估与实验这些「面试必问但工程里用不到」的知识；优势（工程能力）则要写进简历的量化结果里，见能力对标。
五、补课过程中的自查
每补完一个知识点，回面试题库找对应题目自测：
- 能不看资料讲满 3 分钟吗？
- 能回答一个「为什么不用另一种方法」的追问吗？
- 能写出 20 行以内的最小代码示例吗？
三条都过，把该技能词从「补课中」改为「会」。这样补课清单本身就是你的求职进度条，比盲目刷题更可控。
延伸阅读
- JD 清单：国内外大厂在招岗位——技能词从哪来
- 能力对标：简历该突出什么——补课成果怎么写进简历
- 面试题库——每类知识点的面试考察方式
- 学习路径：三条路线——系统补课的整体规划
- 作品集项目——把补课成果沉淀成项目
- 数学基础速查——面试数学追问的查漏工具