机器学习路线图

这是你从零开始、免费学习人工智能和机器学习的精简路线图。它从先修知识入手，逐步深入到机器学习基础，再过渡到工程相关主题。随着我不断发现优质资源并撰写更多指南，这个仓库将持续更新。

[!提示] 虽然整个学习路径都是免费的，但其中也包含一些付费资源，并用💰标记。这些付费资源能够进一步优化你的学习流程。我强烈推荐它们，因为它们来自全球顶尖的人工智能教育者。

本资源由**软件工程师AI提供。请订阅**我们的邮件列表，以便在收件箱中获得更多基础资源和技术深度解析。如果你想支持我的工作，可以在那里订阅（付费或免费均可，都有帮助），并为本仓库点亮星标。想添加资源吗？请参阅如何贡献。

目录

• 先修知识
• 机器学习
• AI工程
• ML工程
• 面试准备
• 免费算力

如何使用本指南

请按照页面上的顺序依次学习资源。如果您对某些主题已经非常熟悉，可以跳过这些内容。如果您专注于 AI 工程领域，也可以直接跳到 AI 工程部分，稍后再回过头来学习机器学习基础。不过，即便如此，我强烈建议您仍然过一遍机器学习基础部分，因为这将帮助您更深入地理解 AI 工程中的相关概念。

[!NOTE] AI 辅助学习（实验性）： 您可以将此仓库加载到您喜欢的 AI 编码助手（Claude Code、Gemini CLI、Cursor 等）中，让它引导您完成学习路线图、查找资源并为您创建练习。此功能目前处于测试阶段，未来会不断优化。

🚀 享受这些资源吧！

---

编程

• 哈佛大学的 CS50 — 编程入门
• Google 的 Python 课程 — Python 基础
• NumPy 教程 — 数组操作
• Kaggle 的 Pandas 课程 — 数据处理

数学

[!TIP] 💰 本节的所有内容都可以通过 Tivadar Danka 的《机器学习数学》一书来简化学习过程。这本书涵盖了本节中的所有数学主题，并且内容更加全面。

• Khan Academy 的 代数
• Khan Academy 的 线性代数
• 哈佛大学的 概率论
• Khan Academy 的 导数
• Google 的 反向传播可视化

工具

• Git
• GitHub
• Shell

伦理

• Kaggle 的 AI 伦理

---

基础

• Google 的 什么是机器学习？ — 20 分钟概览
• Google 的 机器学习速成课 — 全面课程，涵盖回归、分类、神经网络、嵌入和 LLM
• OpenAI 的 强化学习入门 — 强化学习
• 💰 Nathan Lambert 的 RLHF 书籍 — 深入探讨基于人类反馈的强化学习

[!TIP] 💰 我强烈推荐阅读 Sebastian Raschka 的《机器学习与 AI 核心问题》一书，以更深入地理解机器学习和 AI 的核心概念。

NLP 和 LLM

• Andrej Karpathy 的 LLM 入门视频
• Maxime Labonne 的 LLM 课程 — 包含路线图和 Colab 笔记本，覆盖从基础到微调的内容
• OpenAI 的 如何让 LLM 进行推理 — 探讨推理模型的工作原理

[!TIP] 💰 您可以在 Sebastian Raschka 的《从零构建 LLM》一书中，逐步学习如何打造属于自己的 GPT-3 级别 LLM。

应用

• Kaggle 的 计算机视觉课程
• HuggingFace 的 NLP 课程
• Kaggle 的 ML 可解释性课程
• Dmitry Kozlov 的 知识蒸馏资源库
• Molnar 和 Freiesleben 的 科学领域的 ML
• HuggingFace 的 游戏领域的 ML 课程

实践

• 构建推荐系统 — Logan Thorneloe 使用 PyTorch 实现的协同过滤

本节后续还将有更多内容更新……

---

使用 LLM 构建应用

• Anthropic 的 提示工程指南
• Anthropic 的 构建高效智能体
• Anthropic 的 测试与评估指南

RAG 和基础设施

• MCP 文档 — 将 AI 与外部工具连接
• DeepLearning.AI 的 构建智能 RAG
• Pinecone 的 向量数据库详解

微调与本地模型

• HuggingFace 的 LoRA 和 PEFT — 参数高效的微调方法
• Logan Thorneloe 的 如何搭建自己的本地编码模型

---

[!TIP] 💰 Santiago 的 ML School 是一个实战型的在线课程，涵盖 MLOps 以及上述许多机器学习主题。

• Goku Mohandas 的 Made with ML — 从设计到生产的完整 MLOps 课程
• MIT 的 ML 效率系列
• Wafer AI 的 GPU 性能工程资源库
• MLOps 社区 — 面向 MLOps 从业者的社区

[!TIP] 💰 如果想更深入地了解，可以阅读 Chip Huyen 的《设计机器学习系统》一书，书中详细讨论了生产级 ML 系统的架构与权衡。

---

面试准备

• 💰 编程面试要素
  • Python
  • Java
  • C++
• 💰 Alex Xu 的系统设计面试
  • 第一卷
  • 第二卷
• 机器学习面试学习计划 by Khang Pham

---

免费计算资源

资源	你能获得什么
Google Colab	免费 T4/P100 GPU
Kaggle Notebooks	每周 30 小时 GPU 使用时间
Lightning AI	免费 22 小时 GPU 使用时间
Google Cloud	300 美元免费额度
Amazon SageMaker	免费套餐
Paperspace Gradient	免费社区版

---

订阅 AI for Software Engineers，获取更多资源。

支持创作者！ 购买书籍、留下评价、关注作者。

想贡献吗？ 请参阅 CONTRIBUTING.md，将你的资源加入本路线图。

有问题？ 在 X 上私信我

ml-roadmap 快速上手指南

ml-roadmap 并非一个需要安装的传统软件库，而是一份结构化的人工智能与机器学习学习路线图资源集合。本指南将帮助你快速利用该仓库开始学习。

环境准备

由于本项目主要是文档和资源链接集合，无需复杂的系统依赖。建议准备以下基础环境以便进行后续的代码实践：

• 操作系统：Windows, macOS 或 Linux 均可。
• 浏览器：现代浏览器（Chrome, Edge, Firefox）用于访问资源链接。
• 编程基础：
  • 了解基础编程概念（推荐 Python）。
  • 熟悉 Git 基本操作。
• 开发工具：
  • Git
  • GitHub 账号
  • (可选) AI 编程助手：如 Cursor, Claude Code, 或 Gemini CLI，可用于辅助学习路径规划。
• 计算资源：
  • 本地机器或云端 GPU 资源。初学者可利用 Google Colab 或 Kaggle Notebooks 的免费算力。

获取资源

你可以通过克隆仓库或直接在线浏览的方式获取路线图内容。

方式一：克隆仓库（推荐）

在终端中执行以下命令将仓库克隆到本地：

git clone https://github.com/loganthorneloe/ml-road-map.git
cd ml-road-map

方式二：在线浏览

直接访问 GitHub 仓库页面查看渲染后的 Markdown 文档： https://github.com/loganthorneloe/ml-road-map

提示：部分国外资源链接在国内访问可能较慢，建议配合网络加速工具使用，或在搜索引擎中查找对应的中文镜像教程（如吴恩达课程、李宏毅课程等往往有国内搬运版本）。

基本使用

本项目的核心用法是按顺序跟随学习路径。

1. 浏览学习路径

打开项目根目录下的 README.md 文件（或在 GitHub 网页端查看），你将看到以下核心模块：

• Prerequisites (前置知识)：编程 (Python, NumPy, Pandas)、数学 (代数，线性代数，概率论)、工具 (Git, Shell) 及伦理。
• Machine Learning (机器学习基础)：ML 概论、强化学习、NLP 与大语言模型 (LLMs)、计算机视觉等。
• AI Engineering (AI 工程化)：提示词工程、Agent 构建、RAG 架构、向量数据库、模型微调 (LoRA)。
• ML Engineering (MLOps)：从设计到生产的全流程、GPU 性能优化。
• Interview Prep (面试准备)：算法题与系统设计。
• Free Compute (免费算力)：各大云平台的免费 GPU 资源列表。

2. 开始学习

根据你的当前水平选择起点：

• 零基础初学者：请从 Prerequisites 章节开始，依次点击链接学习 Harvard CS50、Google Python Class 等资源。
• 有基础的开发者：可直接跳转至 Machine Learning 或 AI Engineering 章节。
  • 建议：即使专注于 AI 工程，也强烈建议复习 ML 基础章节以获得更深的理解。

3. 结合 AI 助手学习 (实验性功能)

你可以将此仓库加载到你喜欢的 AI 编程 Agent 中（如 Cursor 或 Claude Code），让它引导你完成学习路径。

示例操作（在支持 AI 对话的 IDE 终端中）：

# 假设你已克隆仓库并在当前目录
# 向 AI 助手发送如下指令：
"Load the context of this repository. Act as my tutor based on the ml-roadmap. 
Start by assessing my current knowledge in Python and Math, then recommend the next specific resource from the 'Prerequisites' section for me to study."

AI 将会读取 README.md 内容，为你定制学习计划并解释相关概念。

4. 动手实践

路线图中包含多个实战项目链接（如 Build a Recommendation System）。点击相应链接，按照指引在本地或 Colab 环境中运行代码。

# 示例：在学习 NumPy 章节时，你可以在本地 Python 环境测试
import numpy as np

a = np.array([1, 2, 3])
print(a * 2) 
# 输出: [2 4 6]

---

注意：路线图中部分标有 💰 的资源为付费内容（通常为高质量书籍或课程），作者强烈推荐给希望深入学习的开发者，但所有核心路径均有免费替代方案。