update format

docs/.vitepress/config.mts

@@ -29,6 +29,34 @@ export default defineConfig({
   title: "AIDIY",
   description: "AIDIY，人工智能自学指南。",
   themeConfig: {
+    sidebarMenuLabel:'目录', 
+    returnToTopLabel:'返回顶部', 
+    lastUpdated: {
+      text: '上次更新于',
+      formatOptions: {
+        dateStyle: 'full',
+        timeStyle: 'medium'
+      },
+    },
+    footer: { 
+      message: 'Released under the MIT License.', 
+      copyright: 'Copyright © 2023-2024present AXi', 
+    }, 
+    docFooter: { 
+      prev: '上一页', 
+      next: '下一页', 
+    }, 
+    editLink: { 
+      pattern: 'https://github.com/SurviveXJTU/SurviveXJTU.github.io/edit/main/docs/:path', // 改成自己的仓库
+      text: '在GitHub编辑本页'
+    }, 
+    outline: {
+      level: 'deep', // 显示2-6级标题
+      label: '目录' // 文字显示
+    },
+    search: { 
+      provider: 'local'
+    }, 
     logo: {
       src: '/logo.svg',
       alt: 'Logo: AIDIY',

docs/前言/index.md

@@ -22,7 +22,7 @@
 
 ## 这本书能为你带来什么
 
-人工智能，随着Stable Diffusion以及ChatGPT的横空出世，广泛地出现在大众的视野中，而在此之前，人工智能领域已经取得了长足的发展。对于一名刚刚踏入大学的同学（或者对相关领域一无所知的新手）来说，人工智能只是一种浮于表象的热潮，但是无论出于什么原因（e.g. 科研/升学/就业/教职），你决定从一无所有开始踏足人工智能领域，开启这一次冒险。
+人工智能，随着 Stable Diffusion 以及 ChatGPT 的横空出世，广泛地出现在大众的视野中，而在此之前，人工智能领域已经取得了长足的发展。对于一名刚刚踏入大学的同学（或者对相关领域一无所知的新手）来说，人工智能只是一种浮于表象的热潮，但是无论出于什么原因（e.g. 科研/升学/就业/教职），你决定从一无所有开始踏足人工智能领域，开启这一次冒险。
 
 当读者真正踏入人工智能领域之后，便不免发现其自学的困难性。人工智能的自学，其困难并非因为相关教程的稀缺，正相反，人工智能作为热门领域，其教程之数量浩如烟海，然而找到真正高效的途径却并不简单，无数的教程停留在人工智能早期的技术发展以及繁琐的数学推导，这些内容令初学者望而却步，而又使前进者付出了大量的时间成本。
 
@@ -36,7 +36,7 @@
 
 ## 如何使用这本书
 
-本书的全部内容均使用Markdown进行渲染，其中的部分格式是你需要注意的：
+本书的全部内容均使用 Markdown 进行渲染，其中的部分格式是你需要注意的：
 
 - 对于<u>下划线内容</u>，意味着当你学习这些内容的时候，并未走在最短路径上，但是笔者依然给出这些介绍与选项，因为远路不是歧路，扎实的知识同样可以为读者带来提升。
 
@@ -54,4 +54,4 @@
 
 ## 假如你也想成为贡献者
 
-假如你也想成为贡献者，为后来之人指引一分方向，可以直接在项目中发起Pull Request，也欢迎和我邮件联系（[email protected]）。
+假如你也想成为贡献者，为后来之人指引一分方向，可以直接在项目中发起 Pull Request，也欢迎和我邮件联系（[email protected]）。

docs/学习路线/深度学习.md

@@ -4,15 +4,15 @@
 
 <u>**本段文字具有笔者极强主观看法，请酌情参考。**</u>
 
-在bilibili.com上有李沐上传的一系列著名的深度学习课程，叫做动手学深度学习（d2l），其因为超高的质量以及详细的指导而广受好评，而这份教程的特色就在于，除了讲解知识点之外，李沐同时提供了详细的代码指导。可能确实在曾几何时，练习代码能力是必须的（事到如今，代码能力也是个人能力非常重要的一环），但是在具有ChatGPT的当下，一些合理的prompt就可以生成你所希望使用的代码，这极大地降低了书写代码的难度，也为在科研过程中代码的完成提供了一条捷径，伴随着人工智能领域的发展，这种趋势还将继续延续，也就是思想大于工程能力。
+在 [bilibili.com](https://www.bilibili.com) 上有李沐上传的一系列著名的深度学习课程，叫做动手学深度学习（d2l），其因为超高的质量以及详细的指导而广受好评，而这份教程的特色就在于，除了讲解知识点之外，李沐同时提供了详细的代码指导。可能确实在曾几何时，练习代码能力是必须的（事到如今，代码能力也是个人能力非常重要的一环），但是在具有ChatGPT的当下，一些合理的prompt就可以生成你所希望使用的代码，这极大地降低了书写代码的难度，也为在科研过程中代码的完成提供了一条捷径，伴随着人工智能领域的发展，这种趋势还将继续延续，也就是思想大于工程能力。
 
 因此，笔者在这里将提出一种与传统学习方法相背离的思考，也就是或许不动手学深度学习是可以尝试的。
 
 事实上，在学习的过程中，仅了解关键算法的关键思想，而不进行数学推导，在科研的前期是可以进行的。对于代码的实现以及数学的理解，往往在下游任务中并非必需，对于追求效率的读者来说，选择使用不动手的方式学习深度学习，可能是一种更好的选择，因为这不仅会降低你的学习成本，同时抽象的理解深度学习中的思想已经足够应付绝大多数在下游任务中的场景。具体的工程能力以及数学的理解则可以放在具体对于某一代码项目的修改以及改进之中。
 
 当然，在这里依然要给出一些可供参考的系统性学习的教材。其中需要指出的是，一些传统的教材或许已经过时，而网络上大量的视频教程以及博客反而是具有很高参考价值的，因为人工智能领域的与时俱进，大多数的教材在出版之时，其中所蕴含的人工智能算法早已落后时代一至两年，而两年的代差足以诞生无数的算法迭代。对于某一具体领域的算法的理解，我们将在之后单独开设章节进行讨论，而在这里主要讨论的是对于通识性知识的掌握的教程。
 
-对于视频教程，在这里还是要推荐李沐上传的动手学深度学习这门课程。笔者认为相对来说这门课程理解难度较低，而且学习曲线也较为平缓。假如说按照笔者的方案，可以选择不动手实现代码。<u>同时动手实现代码也可以确实增强你的工程能力。对于想要扎实提升自己代码能力的读者来说，或许也是必须的。</u>
+对于视频教程，在这里还是要推荐李沐上传的 [动手学深度学习](https://www.bilibili.com/video/BV1if4y147hS) 这门课程。笔者认为相对来说这门课程理解难度较低，而且学习曲线也较为平缓。假如说按照笔者的方案，可以选择不动手实现代码。<u>同时动手实现代码也可以确实增强你的工程能力。对于想要扎实提升自己代码能力的读者来说，或许也是必须的。</u>
 
 更多的教程性的内容可能还要倾向于论文方面。这些内容才是科研一线的产物，也可以帮助你更好地理解那些著名算法的思想。在这里，我们将给出一些关键的算法以及它们所对应的论文，这些或许是已经有一定年头的内容，但是依然对于初学者来说十分必要。这里提及的绝大多数内容均来自于这些算法的原论文，而对于一些原论文难以追溯或者该算法来自一种领域内的共识的内容，一些恰当的视频教程以及博客也会被提及。
 

docs/常识/课题组.md

@@ -6,9 +6,15 @@
 
 在面对课题组的选择以及申请的过程中，常有人出现犹豫的心理，这往往出于一种对舒适区的依赖以及对科研的敬畏，并伴随着诸如以下顾虑：
 
-- **现在申请课题组是否太早了**：按照当前的规划来说，大一新生在了解了基本知识之后，完全有能力在大一下进行科研实习的任务。毫无疑问，科研环境的内卷是肉眼可见的，可以预见的不久之后的将来，极有可能出现大量大一的新生有高质量的论文的发表，因此我们几乎可以说申请课题组永远不算早。同时考虑课题组的培养制度。课题组的导师通常会保留若干低年级新生在组中进行科研实习，以确保将来稳定的生源，这使得提前的占坑进组是有必要，而且可以带来巨大的竞争优势（因为竞争对手的缺乏）。
+- **现在申请课题组是否太早了**：按照当前的规划来说，大一新生在了解了基本知识之后，完全有能力在大一下进行科研实习的任务。毫无疑问，科研环境的内卷是肉眼可见的，可以预见的不久之后的将来，极有可能出现大量大一的新生有高质量的论文的发表，因此我们几乎可以说申请课题组永远不算早。同时考虑课题组的培养制度，课题组的导师通常会保留若干低年级新生在组中进行科研实习，以确保将来稳定的生源，这使得提前的占坑进组是有必要，而且可以带来巨大的竞争优势（因为竞争对手的缺乏）。
 - **我并不具有深度学习的知识，是不是太冒进了**：事实上，绝大多数的人都不是天才，也都并不具有在一开始便独当一面的能力。在正常的课题组中，往往申请是基于你的学科成绩作为筛选标准的，换句话说，老师看重的是你的学习能力，或者说将来的科研潜力。科研实习的开始阶段，导师通常会安排师兄师姐带领你进行课题。因此，只要具备下方我们所提及的基础知识，便不难进行科研了。
 
+- 数学基础：详见 [基础知识篇章](../学习路线/基础知识.md)，其中涵盖经典的高等数学/线性代数/概率论等内容，同时，假如说偏向于更加基础的领域，如矩阵论/凸优化等内容同样有必要学习。
+- 编程基础：详见 [基础知识篇章](../学习路线/基础知识.md)，人工智能领域要求你掌握 Python 的基本编程技巧，同时熟练使用 Pytorch 中的大多数内容。
+- 论文基础：详见 [深度学习篇章](../学习路线/深度学习.md)，尽管具体领域具有具体的要求，但是依然存在着大量的论文，是任何一个领域都需要了解的。
+
+这些内容本质上，是假如加入课题组，在面试的过程中可能会涉及的，而对于一些并不是重考核的课题组来说，这些内容甚至可以放到进组之后再进行学习。
+
 正如上文所说到的，课题组的申请需要你具备一定的课内成绩。一方面，这是你的学习能力的证明；另一方面，足够的成绩也可以确保你在将来的保研排名中依然具有优势地位。因为科研往往会消耗你学习的精力，从而导致成绩的下滑，因此需要留有足够的余量空间，才可以保证一切的顺利进行。
 
 ## 本校与外校

docs/常识/顶刊与顶会.md

@@ -1,15 +1,15 @@
 # 顶刊与顶会
 
-在人工智能领域。通常对于学术成果的评判，并不在于，如生化环材领域的，SCI期刊。事实上，中国计算机协会公布了一套对于计算机领域相关期刊与会议的评级标准，被称为CCF，其中具有三个等级，也就是A、B、C。一般来说，我们认为绝大多数的A刊以及少数的B刊可以被称为顶刊或者顶会，而其中值得一提的是不同于在其他领域中对于学术会议含金量的贬低，在计算机或者人工智能领域中，学术会议往往也具有很高的含金量，甚至往往大于期刊。这是出于人工智能领域以及计算机领域发展的日新月异，因此，期刊这种具有长审稿周期的学术发表形式。往往不被那些知名学者所青睐。
+在人工智能领域。通常对于学术成果的评判，并不在于，如生化环材领域的，SCI 期刊。事实上，中国计算机协会公布了一套对于计算机领域相关期刊与会议的评级标准，被称为 CCF，其中具有三个等级，也就是 A、B、C。一般来说，我们认为绝大多数的A刊以及少数的B刊可以被称为顶刊或者顶会，而其中值得一提的是不同于在其他领域中对于学术会议含金量的贬低，在计算机或者人工智能领域中，学术会议往往也具有很高的含金量，甚至往往大于期刊。这是出于人工智能领域以及计算机领域发展的日新月异，因此，期刊这种具有长审稿周期的学术发表形式。往往不被那些知名学者所青睐。
 
 在这里列举一些常见的期刊与会议，他们是具有代表性的顶级会议/期刊：
 
-- 机器学习三大会：ICLR，NIPS和ICML。
-- CV（计算机视觉）三大会：CVPR，ICCV和ECCV。
-- NLP（自然语言处理）三大会：ACL，EMNLP和NAACL。
+- 机器学习三大会：ICLR, NIPS 和 ICML。
+- CV（计算机视觉）三大会：CVPR, ICCV 和 ECCV。
+- NLP（自然语言处理）三大会：ACL, EMNLP和NAACL。
 
-当然，大量的具有含金量的会议（e.g., KDD）以及期刊（e.g., TPAMI）并不经常出现在所谓某某领域X大会中，但是依然在机器学习与人工智能中含金量极高。
+当然，大量的具有含金量的会议（e.g., KDD）以及期刊（e.g., TPAMI）并不经常出现在所谓某某领域 X 大会中，但是依然在机器学习与人工智能中含金量极高。
 
-详细的CCF评级可以前往其[官网](https://www.ccf.org.cn/Academic_Evaluation/By_category/)进行查看。同时，在另一方面有必要说明的是，CCF评级并非评判论文好坏的唯一标准，许多极具含金量的会议/期刊虽然在CCF评级中表现不佳，但是依然具备超越大多数A的含金量（e.g., ICLR/ECCV/IROS）。
+详细的CCF评级可以前往其 [官网](https://www.ccf.org.cn/Academic_Evaluation/By_category/) 进行查看。同时，在另一方面有必要说明的是，CCF评级并非评判论文好坏的唯一标准，许多极具含金量的会议/期刊虽然在CCF评级中表现不佳，但是依然具备超越大多数 A 的含金量（e.g., ICLR/ECCV/IROS）。
 
 ## 评分机制