以房价预测为例，演示训练集与测试集的划分、模型参数 w 和 b 的含义， 以及梯度下降如何自动寻找最优参数。

从"黑箱"出发，逐步揭示加权求和的计算本质，引入隐藏层， 并通过交互式网络图理解层数与宽度如何影响模型的表达能力。

理解神经网络如何通过误差反向传播来"学习"：从损失函数出发， 通过链式法则逐层计算梯度，最终更新权重让预测越来越准。

使用 MNIST 手写数字数据集，在浏览器中训练一个多层感知机， 体验从 28×28 像素输入到 0-9 分类概率输出的完整流程。

从"下一个词预测"出发，理解 Token 嵌入、注意力机制、Transformer 架构、 RLHF 对齐训练与温度参数，并亲手体验逐词生成与概率采样的完整过程。