我的计算机科学学位——全栈机器学习工程（2020年）

作为一名拥有物理学背景的机器学习软件工程师，我一直觉得缺乏计算机科学学位限制了我的长期发展。为了直面这一挑战，我根据网上找到的最佳资源为自己设计了这套课程体系，重点涵盖了计算机科学基础、全栈开发、深度学习和自然语言处理。

课程分为通识类和项目类。

通识类课程旨在将知识系统化地整理并存储在大脑中。这样，当遇到新问题时，至少你知道该去寻找哪些相关信息。

项目类课程则是真正的学习过程。只有通过实践才能真正掌握技能。

如果你对这套课程的设计理念感兴趣，我写了一篇文章详细阐述了它的创建过程：

我是如何设计自己的全栈机器学习工程学位的

通识类课程

CS101. 计算机体系结构：概论

• Coursera: 从NAND到Tetris第一部分

CS102. 网络：概论

• Coursera 计算机网络
• 斯坦福大学课程 YouTube播放列表
• parrt cs601 套接字
• parrt cs601 网络编程
• Python中的套接字编程，共5集

CS103. 操作系统：概论

• Udacity课程
• Coursera: 从NAND到Tetris第二部分

CS201. 数据库：概论

• 数据库系统的架构 论文
• 伯克利大学 课程播放列表

CS401. 系统设计

• 书籍：设计数据密集型应用
• 课程：MIT课程播放列表
• Grokking the System Design Interview
• Gaurav Sen播放列表
• Uber工程博客系列

CS403. 设计模式

• Python工厂模式与消息队列
• 书籍：Gamma等人编写的《设计模式》

CS405. 软件工程基础

• 课程：软件开发流程
• 美国圣弗朗西斯科大学Terence Parr教授的CS601
• Gaurav Sen

CS406 DevOps与Docker

• Udemy Docker课程
• 使用Docker部署ML/DL

CS501 Yann LeCun & Alfredo Canziani主讲的PyTorch深度学习：知识

• 强烈推荐的深度学习课程！！
• 课程网站
• YouTube播放列表

CS503 fastai: Rachel Thomas讲解的计算线性代数

CS504. 生产环境机器学习与MLOps概述

• 书籍：构建ML驱动的应用程序
• 建议：学完本课程后参加项目课CS512进行实战练习
• 其他阅读材料：
  • Huyen Chip关于MLOps的概述
  • TDS文章：ML系统的整体架构
  • 挑战以及Eugene Yan提供的维护机器学习的实用指南

CS505 斯坦福大学自然语言理解

• 课程页面
• 播放列表

CS506 CMU利用深度学习进行自然语言处理

CS507 全栈深度学习（2021年更新）

• 课程页面
• 项目模板

CS508 计算机视觉中的深度学习

CS509 Yannic Kilcher的YouTube系列

CS510 Luigi的SageMaker课程

• 非常棒的prodML博客：mlinproduction.com

CS511 MLOps与GitHub Action

• MLOps YouTube播放列表
• MLOps：为NLP项目设置GitHub Actions CI/CD
  • Weights & Biases与Hamel Husain的YouTube视频
  • 博客文章

CS513 机器学习系统设计

• 斯坦福大学Chip Huyen主讲的CS329S

CS514 机器学习面试

• Chip Huyen编写的《机器学习面试》一书
• Grokking the Machine Learning Interview

项目课程

CS301. 编码面试

• EPI 书籍

CS302 Python 3

• 基础：实用 Python 课程
• Eugene Yan 的 Python 项目搭建
• 使用 FastAPI 指南 构建 REST API
  • FastAPI MadeWithML 示例
• 项目：DoverChat，使用 poetry 和 Docker，部署在 Heroku 和 AWS EB 上

CS303 《代码的本性》YouTube 系列

• JS 原型
• ES6-ES8 主题、Promise、async await（20 集）
• 《代码的本性》
  • 物理引擎，matter.js 模拟项目（10 集）
  • 自主智能体（10 集）
  • 细胞自动机（4 集）
  • 分形（10 集）
    • 分形树、空间自组织生长项目

CS304 天气比较应用

• 使用 FastAPI 构建 API，获取城市的每日和 hourly 天气数据
• 前端基于 Streamlit，一个用于原型项目 UI 构建的 Python 框架
  • Streamlit 入门

CS402 全栈 Web 开发，ReactJS

• Udemy 从初级到高级的完整 Web 开发路线图

CS404 AWS 服务

• 书籍：Daniel Vassallo 的 《AWS 的精华》

CS407 iOS 开发，Swift 和 SpriteKit

• 移动游戏开发选修课
• YouTube 视频：https://youtu.be/467Doas5J6I
• 项目：一款乐器音效游戏

CS500 使用 FastAI 和 Pytorch 进行深度学习：项目

• 课程 v4：https://course.fast.ai/
• fastbook
  • 记录所有问卷答案
• FastAI2 设计论文
• PyTorch 深度教程
• 官方 PyTorch 书籍：用 PyTorch 进行深度学习

CS502 NLP：项目

• fastai NLP 课程
• 超棒的可视化课程
• 书籍：实用 NLP
• 调查
  • Eugene Yan：NLP 调查
  • Pratik Bhavsar：Pytorch 用于 NLP
• 其他资源
  • Fast AI 课程 v4 NLP 讲座
  • @amitness：如何学习 Transformer
  • 进阶课程
  • NLP 大师班：NLP 中的建模谬误
  • NLP 数据集
  • 书籍：用 Pytorch 进行 NLP
  • MadewithML 和 dair.ai 的聊天机器人资料
    • 调查论文
    • MadeWithML 对话式 AI 主题整理
    • NLP 的未来
    • Level 3 AI Conference 2020
  • 全栈 ML 原型技术栈：FastAPI、Streamlit、Docker、Heroku
    • 项目示例 1：streamlit + fastapi
    • 项目示例 2

CS512 MadeWithML 的生产环境应用机器学习

• 引用课程描述：“这门课程不仅仅是关于机器学习。事实上，它更多地关注干净的软件工程！我们将涵盖版本控制、测试、日志记录等重要概念，这些真正使产品达到生产级标准。”
• 课程页面
• MadeWithML YouTube 频道

CS602 自由选择的开源贡献

my-cs-degree 快速上手指南

my-cs-degree 并非一个需要安装的可执行软件包，而是一套由社区整理的全栈机器学习工程师自学课程大纲。它汇集了计算机科学基础、深度学习、自然语言处理（NLP）及 MLOps 等领域的顶级开源资源。

本指南将帮助你快速搭建学习环境并启动第一个学习项目。

环境准备

由于该“工具”实质是课程索引，你需要准备的是运行课程代码和项目的开发环境。

系统要求

• 操作系统: Linux (推荐 Ubuntu 20.04+), macOS, 或 Windows (建议使用 WSL2)。
• 硬件:
  • 基础课程：任意现代计算机即可。
  • 深度学习/大模型课程 (CS501, CS507 等)：建议配备 NVIDIA GPU (显存 8GB+)，或使用云端 GPU 实例。

前置依赖

请确保已安装以下核心工具：

• Python: 3.8 或更高版本
• Git: 用于克隆项目代码
• Docker: 用于容器化部署 (CS406, CS507)
• Node.js: 部分前端项目需要 (CS402)

国内加速建议：

• Python 包管理：配置 pip 使用清华源或阿里源。
• Git 克隆：若 GitHub 访问缓慢，可使用 Gitee 镜像或配置代理。
• 视频课程：大部分课程托管在 YouTube 或 Coursera，国内访问需自行解决网络问题，或部分课程在 Bilibili 有非官方搬运。

安装步骤

你不需要“安装”此仓库，只需将其克隆到本地作为学习索引，并按需配置 Python 环境。

1. 克隆仓库

git clone https://github.com/your-target-repo/my-cs-degree.git
cd my-cs-degree

(注：请将 URL 替换为实际的项目地址，此处以通用流程为例)

2. 配置基础 Python 环境

推荐使用 conda 或 venv 隔离环境。以下以 conda 为例：

# 创建名为 cs-degree 的环境，指定 Python 3.9
conda create -n cs-degree python=3.9 -y

# 激活环境
conda activate cs-degree

# 安装深度学习基础依赖 (PyTorch 示例，推荐使用国内镜像源)
# 访问 pytorch.org 获取适合你显卡的具体命令，以下为 CPU 版本示例
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

# 安装常用数据科学与 Web 框架
pip install pandas numpy scikit-learn fastapi streamlit jupyterlab

3. 配置 Docker (可选但推荐)

针对涉及部署的课程 (如 CS406, CS512)，请确保 Docker 可用：

# 验证 Docker 安装
docker --version

# 拉取基础镜像测试
docker run hello-world

基本使用

开始学习的最佳方式是选择一个入门项目课程（Project Course）进行实践。以下以 CS304 Weather Comparison App 为例，演示如何开始第一个实战项目。

1. 创建项目目录

mkdir weather-app
cd weather-app

2. 初始化 FastAPI 后端

创建一个名为 main.py 的文件，写入以下基础代码：

from fastapi import FastAPI
import requests

app = FastAPI()

@app.get("/weather/{city}")
def get_weather(city: str):
    # 模拟返回天气数据，实际项目中需调用真实 API
    return {"city": city, "temperature": "22°C", "condition": "Sunny"}

3. 启动后端服务

uvicorn main:app --reload

访问 http://127.0.0.1:8000/weather/Beijing 查看结果。

4. 构建 Streamlit 前端

创建 app.py 文件：

import streamlit as st
import requests

st.title("Weather Comparison App")

city = st.text_input("Enter city name:", "Shanghai")

if st.button("Get Weather"):
    response = requests.get(f"http://127.0.0.1:8000/weather/{city}")
    if response.status_code == 200:
        data = response.json()
        st.success(f"Temperature in {data['city']}: {data['temperature']}")
    else:
        st.error("Failed to fetch data")

5. 运行前端界面

streamlit run app.py

浏览器将自动打开界面，你已完成第一个全栈原型的学习实践。

---

下一步建议： 参考仓库中的 General knowledge courses 补充理论基础（如 CS101 计算机架构），或深入 CS500 系列进行深度学习专项训练。