免费人工智能与机器学习路线图及资源

🧠 通过这个从0到100的完整资源库，掌握人工智能、机器学习、生成式AI、深度学习、数据科学、自然语言处理、强化学习等领域技能。

💡 您可以按照以下顺序依次学习这些模块，也可以同时进行。模块按难度递增排序。标有 ⭐ 的内容强烈推荐。

📚 这些资源汇集了来自YouTube和在线课程的最佳免费内容，以及其他热门博客和网站。

目录

学习路径模块

• 模块0 - 开始之前
• 模块1 - 背后的数学基础
• 模块2 - 打好基础
• 模块3 - 数据科学
• 模块4 - 机器学习
• 模块5 - 计算机视觉
• 模块6 - 深度学习神经网络
• 模块7 - 生成式AI
  • 子模块7A - 检索增强生成（RAG）
• 模块8 - 自然语言处理
• 模块9 - 强化学习
• 模块10 - 主体型AI
• 附加模块 - 高级学习路径课程

其他精彩内容

• 项目！
• 值得访问的有趣网站
• AI新闻通讯
• AI博客
• 贡献

---

模块0 - 开始之前

在开始之前，最好先打好基础并做好准备工作。这将帮助您在编译器软件上搭建Python开发环境，使系统正常运行。 数学是人工智能领域一切的基础。掌握线性代数、矩阵等应用数学核心概念，有助于从理论上理解机器的工作原理。

序号	类型	课程名称
1	软件	Python 3.13 下载
2	软件	Visual Studio Code 下载
3	Py包	在Python中安装Pip包管理器
4	Py包	AI/ML常用Python库

模块1 - 背后的数学基础

AI/ML领域犹如一片浩瀚的大海，现在正是打造一艘平稳航行的小船的时候。这些计算机科学和Python编程的基础课程将助您顺利启航！

序号	类型	课程名称
1	播放列表	机器学习数学播放列表
2	⭐课程	NPTEL Swayam 离散数学课程
3	课程	Saylor Academy 的离散结构课程
4	讲座	MIT线性代数系列讲座
5	课程	数据科学基础数学

模块2 - 打好基础

AI/ML领域犹如一片浩瀚的大海，现在正是打造一艘平稳航行的小船的时候。这些计算机科学和Python编程的基础课程将助您顺利启航！

序号	类型	课程名称
1	课程	MITx：使用Python入门计算机科学与编程
2	课程	HarvardX：CS50 Python编程入门
3	网站	Python简介 - W3 Schools
4	YouTube	4小时学会Python
5	⭐练习！	在HackerRank上练习Python
6	证书	Python基础认证

模块3 - 数据科学

数据就是新的石油！在深入构建高级AI之前，让我们先了解驱动它的数据。本模块将使用Python讲解统计学和数据科学的基础知识。

序号	类型	课程名称
Bonus	YouTube	快速5分钟数据科学入门
1	YouTube	数据科学概述
2	网站	数据科学简介
3	YouTube	Python用于数据科学
4	课程	谷歌数据分析专业证书
5	⭐课程	IBM数据科学专业证书

模块 4 - 机器学习

是时候利用这些数据来训练机器如何学习它们了。机器学习是一门研究计算机算法的科学，它使机器能够在没有明确编程的情况下，通过数据分析来学习和改进。太酷了！

序号	类型	课程名称
1	网站	机器学习入门文章 - Spiceworks
2	⭐课程	哈佛X：数据科学：机器学习
3	网站	机器学习教程 - GFG
4	课程	使用OpenAI探索Azure
5*	课程	吴恩达的机器学习专项课程
6	课程	来自Google Cloud Skills Boost的机器学习工程师学习路径

❗ 吴恩达的机器学习专项课程是由最杰出的人工智能科学家之一——吴恩达——所开设的一门高度专业化、行业级别的课程。这是一门专家级课程，强烈建议在你对基础知识有较好掌握之后再学习。

模块 5 - 计算机视觉

赋予我们的智能计算机视觉能力！计算机视觉训练计算机去解释和理解视觉世界，就像我们看到的那样（或者以更高级的方式；)）

序号	类型	课程名称
1	YouTube	计算机视觉速成课概述
2	YouTube	OpenCV课程 - 完整Python教程
3	课程	OpenCV训练营
4	⭐课程	计算机视觉基础
5	播放列表	（非常高级）斯坦福大学计算机视觉讲座

模块 6 - 深度学习神经网络

是时候利用人类大脑的力量来开发出类似人脑功能的东西了。神经网络可以帮助你理解信息是如何从原始数据中被处理的，就像人类大脑一样，从而模仿出期望的输出。

序号	类型	课程名称
1	课程	DeepLearning.AI 神经网络与深度学习
2	课程	神经网络与深度学习
3	课程	卷积神经网络
4	⭐YouTube	面向初学者的深度学习速成课
5	播放列表	神经网络：从零到英雄

模块 7 - 生成式AI

如今无处不在的热门词汇！借助生成对抗网络，你可以创建文本、图像、音频、视频等等！

序号	类型	课程名称
1	课程	微软生成式AI基础
2	课程	微软负责任的生成式AI
3	⭐YouTube	生成式AI简明介绍
4	课程	生成对抗网络（GANs）专项课程
5	电子书	生成式AI与LLMs傻瓜指南
6	课程	Google Cloud Skills Boost的生成式AI学习路径
7	YouTube	面向开发者的生成式AI

子模块7A - 检索增强生成（RAG）

检索增强生成（RAG）是一种自然语言处理（NLP）技术，它结合了传统信息检索系统的能力与生成式大型语言模型（LLMs）的优势。

序号	类型	课程名称
1	课程	检索增强生成简介（RXM403）
2	项目	RAG指导项目
3	YouTube	从零开始学习RAG

模块 8 - 自然语言处理

英语、西班牙语、法语、印地语、泰米尔语、俄语、Python、Java、C++，等等？让我们来学习如何帮助计算机更好地理解人类语言（即自然语言）。

序号	类型	课程名称
1	网站	如何入门NLP
2	⭐播放列表	TensorFlow的NLP从零到英雄
3	YouTube	自然语言处理流水线

模块 9 - 强化学习

行走、跌倒、爬起、学习、重复。正如人类通过经验学习该做什么、不该做什么一样，人工智能也是如此！

序号	类型	课程名称
1	播放列表	书本上的强化学习
2	YouTube	从零开始的强化学习基础
3	网站	强化学习教程 - JavaTPoint
4	⭐网站	深度强化学习课程 - HuggingFace

模块 10 - 主体性AI

不要只是提供解决方案，更要付诸行动。主体性AI工作流将AI与运营流程相结合，以前所未有的方式推动下一波自动化浪潮。

序号	类型	课程名称
1	⭐YouTube	7分钟掌握AI代理基础
2	YouTube	LangFlow入门
3	YouTube	使用LangFlow构建基于RAG的LLM应用
4	YouTube	在n8n中无代码构建AI代理团队
5	网站	n8n文档
6	网站	生成式AI与主体性AI对比 - Forbes

附加模块 - 高级学习路径课程

额外的奖励课程和问题解决练习。

序号	课程名称
1	斯坦福机器学习专项课程
2	Google: 人人皆可学的谷歌AI
3	IBM商业领域的人工智能基础专项课程
4	在HackerRank上解决人工智能问题
5	在HackerRank上解决函数式编程问题

项目！

• 20个热门深度学习项目 - TheCleverProgrammer博客
• 500个包含代码的人工智能、机器学习、深度学习、计算机视觉、自然语言处理项目 - GitHub仓库
• 机器学习项目 - GeeksForGeeks
• 15个适合初学者的Python强化学习项目创意 - Project Pro

值得访问的有趣网站：

• AI俱乐部 - SIT浦那
• AI仓库
• Google图书对话功能
• Google Semantris机器学习单词游戏
• Replika AI虚拟形象
• AI音乐、文本转语音及语音转语音

人工智能新闻通讯

• The Rundown AI
• Mindstream
• AI早餐
• TLDR AI
• The Neuron

人工智能博客

• Google AI博客
• Distill出版物
• 机器学习精通

贡献

众人拾柴火焰高！如果您愿意为本仓库贡献力量，帮助更多人更好地学习，我将不胜感激。 请务必阅读CONTRIBUTING文件，以了解如何参与贡献！

AI-ML-Roadmap-from-scratch 快速上手指南

本指南旨在帮助中国开发者快速搭建人工智能与机器学习的学习环境，并梳理从零基础到进阶的核心学习路径。本项目并非单一可执行软件，而是一套结构化的免费学习资源路线图。

环境准备

在开始学习之前，请确保您的开发环境已就绪。本项目主要基于 Python 生态。

系统要求

• 操作系统: Windows, macOS 或 Linux
• 内存: 建议 8GB 以上（深度学习模块建议 16GB+）
• GPU: 可选，但在进行深度学习（Module 6）和生成式 AI（Module 7）时，拥有 NVIDIA GPU 将显著提升训练速度。

前置依赖

您需要安装以下核心软件：

1. Python 3.13+: 编程语言核心。
2. Visual Studio Code (VS Code): 推荐的代码编辑器。
3. Git: 用于克隆本仓库及管理代码版本。

国内加速建议:

• Python 下载如遇速度慢，可使用 清华大学开源软件镜像站 或 阿里云镜像。
• VS Code 下载可使用 官方国内加速链接。

安装步骤

1. 安装 Python 与 pip

访问 Python 官网 下载最新稳定版（推荐 3.13）。安装时务必勾选 "Add Python to PATH"。

验证安装：

python --version
pip --version

(国内用户配置 pip 清华源，加速库安装):

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2. 安装 Visual Studio Code

访问 VS Code 官网 下载并安装。 安装完成后，建议在扩展商店安装以下插件：

• Python (Microsoft 出品)
• Jupyter (用于运行数据分析笔记本)

3. 获取学习资源仓库

克隆本项目到本地，以便查阅详细的课程链接和资源列表：

git clone https://github.com/aadi1011/AI-ML-Roadmap-from-scratch.git
cd AI-ML-Roadmap-from-scratch

4. 安装核心 AI/ML 库

根据项目中的 Packages.md 指引，安装通用的数据科学与机器学习库。以下是基础必备包的安装命令：

pip install numpy pandas matplotlib scikit-learn jupyterlab

(进阶库，后续模块需要):

pip install tensorflow torch opencv-python transformers

基本使用

本项目的使用方式是按照模块顺序学习。您不需要运行特定的“主程序”，而是通过阅读仓库中的 README.md，点击各个模块下的课程链接进行学习，并在本地 VS Code 中编写代码实践。

学习路径示例

第一步：基础数学与编程 (Module 1 & 2)

在开始 AI 之前，先巩固数学基础（线性代数、微积分）和 Python 语法。

• 行动: 打开仓库中的 Module 1 和 Module 2 章节。
• 实践: 在 VS Code 中新建 hello_ai.py，运行以下代码测试环境：

import numpy as np

# 创建一个简单的数组，模拟数据科学基础操作
data = np.array([1, 2, 3, 4, 5])
mean_value = np.mean(data)

print(f"Environment Ready! Mean value: {mean_value}")

第二步：数据科学入门 (Module 3)

学习如何使用 Python 处理数据。

• 推荐资源: IBM Data Science Professional Certificate (Coursera) 或 W3Schools 教程。
• 实践: 使用 pandas 加载一个 CSV 文件并进行简单分析。

import pandas as pd

# 创建示例数据
df = pd.DataFrame({
    'Feature': [10, 20, 30, 40],
    'Label': [0, 1, 0, 1]
})

print(df.describe())

第三步：进入机器学习 (Module 4)

开始训练第一个模型。

• 核心课程: Andrew Ng 的 Machine Learning Specialization (⭐强烈推荐)。
• 实践: 使用 scikit-learn 训练一个简单的线性回归模型。

from sklearn.linear_model import LinearRegression
import numpy as np

# 准备数据
X = np.array([[1], [2], [3], [4]])
y = np.array([2, 4, 6, 8])

# 训练模型
model = LinearRegression()
model.fit(X, y)

# 预测
prediction = model.predict([[5]])
print(f"Prediction for 5: {prediction[0]}") # 输出应接近 10

第四步：进阶领域 (Module 5 - 10)

根据您的兴趣选择方向深入：

• 计算机视觉: 学习 OpenCV 和 CNN (Module 5 & 6)。
• 生成式 AI: 学习 LLMs 和 RAG 技术 (Module 7)。
• 自然语言处理: 深入研究 Transformer 架构 (Module 8)。

提示: 带有 ⭐ 标记的课程为高度推荐内容，建议优先学习。所有课程链接均位于克隆后的 README.md 文件中。