awesome_computer_science
awesome_computer_science 是一份专为计算机科学与工程初学者打造的完整学习路线图与自查清单。它将庞大的计算机科学体系拆解为硬件工程、编程核心、系统日常以及现实应用四大模块，涵盖了从数字电子、计算机组成原理到操作系统、人工智能等数十个关键领域。
对于许多想要系统学习计算机知识却不知从何下手的学习者而言，面对碎片化的教程和复杂的学科分类往往感到迷茫。awesome_computer_science 通过结构化的大纲和具体的检查项（Checklist），清晰地规划了学习路径，并提供了优质的开源教材、视频课程及技术文档链接，帮助用户按部就班地掌握从底层逻辑门到上层 Web 开发的全栈技能。
这份资源特别适合计算机专业的在校大学生、希望转行进入科技领域的自学者，以及想要夯实基础的开发人员使用。其独特亮点在于不仅列出了知识点，还强调了离散数学等前置基础的重要性，并将云计算、机器学习等前沿技术自然融入传统学科体系中，形成了一套理论与实践并重的成长指南。无论是用于制定学期计划，还是作为面试前的复习索引，它都能提供极具价值的参考。
使用场景
刚转行进入软件开发的大二学生李明，面对海量的计算机知识感到无从下手，急需一份系统性的学习指南来构建自己的技术体系。
没有 awesome_computer_science 时
- 学习路径碎片化：在网络上零散搜索“如何学编程”或“操作系统教程”，导致知识点支离破碎，缺乏从硬件底层到上层应用的完整逻辑串联。
- 基础概念缺失：盲目追逐热门的 AI 或 Web 开发框架，却忽略了数字电路、编译原理和自动机理论等基石，遇到深层 Bug 时无法定位根源。
- 资源筛选成本高：面对成千上万的开源项目和文档，难以辨别哪些是经典必读（如离散数学特定章节），哪些是过时内容，浪费大量时间试错。
- 进度无法量化：没有明确的检查清单（Checklist），不知道自己是否真正掌握了核心技能，面试前对自己能否通过技术考核毫无底气。
使用 awesome_computer_science 后
- 构建系统化图谱：直接遵循其划分的四大阶段（硬件工程、核心编程、系统日常、现实应用），按部就班地从布尔代数学到机器学习，形成严密的知识闭环。
- 夯实理论地基：对照清单补全了“计算理论与自动机”及“计算机组成原理”等薄弱环节，深刻理解了 RISC-V 架构与内存层级，能从容应对底层性能优化问题。
- 获取精选权威资源：利用内置的精准链接，直接研读 MIT 算法课视频和标准的离散数学 PDF，避免了在低质量教程中打转，学习效率提升数倍。
- 清晰掌控成长节奏：将每个子项（如词法分析、上下文无关文法）作为打卡任务，每完成一项就打勾，直观看到自己从初学者到具备工程师思维的蜕变轨迹。
awesome_computer_science 不仅是一份课程大纲，更是将混乱的自学过程转化为可执行、可验证的标准化工程成长路线图。
运行环境要求
未说明
未说明
快速开始
🧠 计算机科学与工程路线图及检查清单
计算机科学与工程（本科） 完整课程大纲，以实用检查清单的形式呈现。
📚 概述
计算机科学分为 4 个部分：
📘 离散数学 PDF 是理解图论的基础
📐 数学课程大纲
☁️ 云计算基础包含在 计算机网络 中。
📑 目录
计算机科学 1
计算机科学 2
计算机科学 3
计算机科学 4
计算机科学 - 1
数字电子学
计算机组成与体系结构
计算机组织
- 地址总线、数据总线
- ROM、EPROM、RAM
- 存储层次结构与高速缓存
- 虚拟内存
- 辅助存储器
- 可编程逻辑器件与控制器
- 输入/输出设备
计算机体系结构
- 栈与寄存器
- 字节序
- 浮点数
- 寻址模式
- 指令流水线
- 中断
- RISC 与 CISC
- aarch64、x86/AMD64、MIPS、RISC-V
- 汇编语言
计算理论与自动机
计算机科学 - 2
编译原理
- 词法分析
- 语法分析
- 类型检查
- 中间代码生成
- 优化
- 代码生成
- 汇编与链接
- 内存管理
- 解释器
- Golang 规范
编程
-
- 数据类型与类型转换
- 运算符与优先级
- 函数与作用域
- 控制流
- 数组、字符串、指针
- 结构体、联合、枚举
- 动态内存分配
- 文件 I/O
- math.h
-
- 命名空间
- 类与对象
- 访问控制
- 构造函数与析构函数
- 继承与多态
- 模板
数据结构
数组
链表
哈希表
栈、队列、集合
树
- 二叉搜索树、AVL 树、伸展树
- 红黑树
- 区间树
- 前缀树
图
- 邻接矩阵
- 邻接表
算法
- 搜索（二分查找、优先队列）
- 排序（归并排序、快速排序、插入排序、选择排序）
- 广度优先搜索/深度优先搜索
- Dijkstra 算法
- Bellman-Ford 算法
- 最小生成树
- 时间复杂度与空间复杂度
人工智能
- 知识表示
- 一阶逻辑
- 状态空间搜索
- 爬山法
- 模拟退火
- A* 算法
- Min-Max 算法
- 贝叶斯定理
- 神经网络
- 梯度下降
- 卷积神经网络
- 反向传播
计算机科学 - 3
数据库管理系统与 SQL
操作系统
- 启动过程
- 进程与线程
- 进程间通信
- 调度算法
- 死锁与同步
- 内存管理
- 虚拟内存
- 文件系统
- 操作系统安全
- Unix 命令
计算机网络
- OSI 与 TCP/IP 模型
- 流量控制与拥塞控制
- 路由算法
- UDP 与套接字
- IPv4 / IPv6
- BGP 与 OSPF
- HTTP、FTP、DNS、SMTP
- 云计算基础
软件工程
- SDLC 模型
- 成本估算
- COCOMO 模型
- 风险管理
- 需求工程
- 设计原则
- 测试与质量保证
计算机科学 - 4
密码学与网络安全
- 加密算法
- 哈希算法
- 密钥分发
- 数字签名
- 数据压缩
- 防火墙
- 隐写术
- SSL / TLS
数据科学与机器学习
- 偏差与方差
- 监督学习
- 无监督学习
- k-NN 算法
- 聚类分析
- 图像处理
网页开发
前端
- HTML5
- CSS3
- JavaScript
- 浏览器 API
- 无障碍访问
后端
- Go / Python
- Git 内部原理
- 消息队列
计算机图形学
- OpenGL 基础
- 渲染
- 着色
- 纹理
- 光线追踪
- 光线投射
项目
👉 https://github.com/apeman/awesome_computer_science/blob/master/what-should-i-code.md
许可证
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。
tesseract
Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。 在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。 Tesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中