机械背景不是短板，是你独有的优势。这里提供从数学基座到VLA大模型的完整学习体系——每个概念都绑定一个机器人应用场景，让你不只是"学懂"，更是"会用"。
你的机械背景意味着你已经理解力、运动、结构和公差。真正需要补充的是算法思维、软件系统和机器人数据闭环。以下路径按"基础补齐→机器人学→感知→决策→作品集"组织。
向量与矩阵（坐标变换）、概率（状态估计）、微积分（优化）、Python/NumPy科学计算。每个公式都对应一个机器人场景。
从线性回归到Transformer，掌握PyTorch建模能力。理解为什么CNN适合视觉、为什么Transformer统治多模态。
相机模型、深度估计、目标检测、点云处理、PnP位姿估计——让机器人"看到"并理解三维世界。
Transformer注意力机制、BERT指令理解、CLIP视觉-语言对齐、LLM任务规划、LoRA微调——让机器人理解语言指令。
齐次变换、DH参数、正逆运动学、雅可比矩阵、PID控制、PyBullet仿真——你熟悉的机械世界，用代码重新表达。
MDP、Q-Learning、DQN、PPO、SAC、奖励设计、离线RL、Sim-to-Real——让机器人通过试错学会复杂技能。
行为克隆、ACT、Diffusion Policy、RT-2、Octo、π₀等基础模型——端到端让机器人"听懂话"并执行操作。
每个阶段包含理论推导、可运行代码、机器人应用场景和验收实验。点击任一卡片进入完整教程。
向量空间、矩阵变换、特征值SVD、微积分优化、概率贝叶斯——每个概念绑定一个机器人直觉。
线性回归→逻辑回归→神经网络→CNN→Transformer。从梯度下降到反向传播，用PyTorch构建完整训练管线。
针孔相机模型、立体视觉、深度估计、YOLO目标检测、点云配准——让机器人看见并理解三维世界。
Transformer自注意力、BERT微调、CLIP零样本识别、LLM任务规划、LoRA/QLoRA高效微调、RAG知识检索。
MDP建模→Q-Learning→DQN→PPO→SAC。含交互式GridWorld Demo，亲眼见证智能体学会避障导航。
齐次变换、DH参数可视化、正逆运动学、雅可比、PID控制、Euler-Lagrange动力学、Kalman滤波。
行为克隆、ACT、Diffusion Policy、RT-2/Octo/π₀基础模型、遥操作数据采集、真机部署指南。
每个项目对应一个可展示能力点：代码仓库、实验报告、演示视频和失败分析。
转行成功的关键不是"学过多少课"，而是"能展示什么样的工程判断力"。
README必须包含：环境配置命令、训练命令、评估命令、复现方式。核心模块有清晰接口和必要测试。每个项目保留失败视频和日志——展示你的调试过程比完美演示更有说服力。
记录指标曲线、消融实验、失败案例和下一步改进方向。能解释为什么选择这个算法、为什么这样调参，而不只是"跑通了"。
每个项目产出30-90秒视频：任务目标→系统架构→运行过程→成功案例→失败案例→工程限制。面试官没时间看论文，但一定会看视频。
精选GitHub仓库、视频课程、经典论文和仿真平台——按阶段标注，精准匹配你的学习进度。