[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-loganthorneloe--ml-roadmap":3,"tool-loganthorneloe--ml-roadmap":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-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。\n\n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。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",156033,2,"2026-04-14T23:32:00",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","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。\n\n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。\n\n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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":72,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":108},7592,"loganthorneloe\u002Fml-roadmap","ml-roadmap","The simplest, most straightforward way to learn ML for free.","ml-roadmap 是一份专为零基础学习者打造的免费机器学习进阶指南，旨在提供最清晰、直接的学习路径。它系统性地解决了初学者在面对海量资源时容易迷失方向、难以构建完整知识体系的痛点。\n\n这份路线图特别适合希望转型或提升技能的软件开发者，同时也欢迎对人工智能感兴趣的研究人员及自学者使用。内容从编程与数学基础（如 Python、线性代数）起步，逐步深入机器学习核心原理，最终涵盖 AI 工程化、面试准备及免费算力资源等实战环节。虽然整体路径完全免费，但也精选了部分付费优质课程作为高效学习的补充选项。\n\n其独特亮点在于高度结构化的课程设计，支持用户根据自身背景灵活跳过已掌握模块；更创新地引入了\"AI 辅助学习”模式，允许用户将仓库加载至 Claude Code、Cursor 等智能编程助手，由 AI 代理引导学习进度、推荐资源并生成练习题，让自学过程更加互动和高效。无论你是想系统夯实理论基础，还是急于投身工程实践，ml-roadmap 都能成为你可靠的成长伙伴。","![ml road map](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floganthorneloe_ml-roadmap_readme_27a52c50b259.png)\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Floganthorneloe\u002Fml-road-map\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Floganthorneloe\u002Fml-road-map?style=social\" alt=\"Star on GitHub\">\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Faiforswes.com\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSubscribe-More%20learning%20resources-orange?style=social&logo=substack\" alt=\"Get all resources from AI for Software Engineers\">\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Ftwitter.com\u002Floganthorneloe\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Ffollow\u002Floganthorneloe?style=social\" alt=\"Follow on X\">\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fyoutube.com\u002F@loganthorneloe\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fyoutube\u002Fchannel\u002Fsubscribers\u002FUC3H55I0SqNKQgJU77LsFiBw?style=social&logo=youtube\" alt=\"Subscribe on YouTube\">\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n# Machine Learning Road Map\n\nThis is your streamlined roadmap to learning AI and machine learning from scratch, for free. It starts with prerequisites, moves into machine learning fundamentals, and then engineering topics. This repo will be continually updated as I find great resources and create more guides.\n\n> [!TIP]\n> While the whole learning path is free, some paid resources are included and marked with 💰. These paid resources further streamline your learning. I *highly* recommend them as they're from the best AI educators in the world.\n\nThis is an **[AI for Software Engineers](https:\u002F\u002Faiforswes.com)** resource. **[Subscribe](https:\u002F\u002Faiforswes.com\u002Fsubscribe)** to the newsletter to get more fundamental resources and technical deep dives in your inbox. If you'd like to support my work, you can subscribe there (paid or free—both help) and star this repository. Have a resource to add? See [how to contribute](.\u002FCONTRIBUTING.md).\n\n**Contents**\n- [Prerequisites](#prerequisites)\n- [Machine Learning](#machine-learning)\n- [AI Engineering](#ai-engineering)\n- [ML Engineering](#ml-engineering)\n- [Interview Prep](#interview-prep)\n- [Free Compute](#free-compute)\n\n### How to use this guide\n\nFollow the resources in order down the page. Skip the topics you already understand well. You *can* skip to AI engineering section and come back to ML fundamentals later if AI engineering is your focus. I *highly* recommend going through the ML fundamentals section even if this is the case as it will give you a much deeper understanding of the topics in AI engineering.\n\n> [!NOTE]\n> **AI-assisted learning (experimental):** You can load this repo in your favorite AI coding agent (Claude Code, Gemini CLI, Cursor, etc.) and have it walk you through the roadmap, find resources, and create exercises for you. This functionality is in beta and will be improved over time.\n\n🚀 Enjoy the resources!\n\n---\n\n\u003Ca id=\"prerequisites\">\u003C\u002Fa>\n![prerequisites](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floganthorneloe_ml-roadmap_readme_bbd377030a11.png)\n\n**Programming**\n- [CS50](https:\u002F\u002Fcs50.harvard.edu\u002Fx\u002F2024\u002Fweeks\u002F0\u002F) by Harvard — Intro to programming\n- [Google's Python Class](https:\u002F\u002Fdevelopers.google.com\u002Fedu\u002Fpython) — Python basics\n- [NumPy Tutorial](https:\u002F\u002Fnumpy.org\u002Fdoc\u002Fstable\u002Fuser\u002Fquickstart.html) — Array operations\n- [Pandas Course](https:\u002F\u002Fwww.kaggle.com\u002Flearn\u002Fpandas) by Kaggle — Data manipulation\n\n**Math**\n> [!TIP]\n> 💰 This entire section can be streamlined via Tivadar Danka's [Mathematics of Machine Learning](https:\u002F\u002Fwww.packtpub.com\u002Fen-us\u002Fproduct\u002Fmathematics-of-machine-learning-9781837027873) book. It goes through all of the math topics in this section and more.\n- [Algebra](https:\u002F\u002Fwww.khanacademy.org\u002Fmath\u002Falgebra-home) by Khan Academy\n- [Linear Algebra](https:\u002F\u002Fwww.khanacademy.org\u002Fmath\u002Flinear-algebra) by Khan Academy\n- [Probability](https:\u002F\u002Fcs50.harvard.edu\u002Fai\u002F2024\u002Fweeks\u002F2\u002F) by Harvard\n- [Derivatives](https:\u002F\u002Fwww.khanacademy.org\u002Fmath\u002Fmultivariable-calculus\u002Fmultivariable-derivatives) by Khan Academy\n- [Backpropagation Visualization](https:\u002F\u002Fdevelopers-dot-devsite-v2-prod.appspot.com\u002Fmachine-learning\u002Fcrash-course\u002Fbackprop-scroll\u002F) by Google\n\n**Tools**\n- [Git](https:\u002F\u002Fgit-scm.com\u002Fbook\u002Fen\u002Fv2)\n- [GitHub](https:\u002F\u002Fdocs.github.com\u002Fen\u002Fget-started)\n- [Shell](https:\u002F\u002Fwww.learnshell.org)\n\n**Ethics**\n- [AI Ethics](https:\u002F\u002Fwww.kaggle.com\u002Flearn\u002Fai-ethics) by Kaggle\n\n---\n\n\u003Ca id=\"machine-learning\">\u003C\u002Fa>\n![ml fundamentals](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floganthorneloe_ml-roadmap_readme_6a5bbe21024c.png)\n\n**Fundamentals**\n- [What is Machine Learning?](https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fintro-to-ml) by Google — 20 min overview\n- [Machine Learning Crash Course](https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fcrash-course) by Google — Full course covering regression, classification, neural networks, embeddings, LLMs\n- [Spinning Up in RL](https:\u002F\u002Fspinningup.openai.com\u002Fen\u002Flatest\u002F) by OpenAI — Reinforcement learning\n- 💰 [The RLHF Book](https:\u002F\u002Frlhfbook.com\u002F) by Nathan Lambert — Deep dive into reinforcement learning from human feedback\n\n> [!TIP]\n> 💰 I highly recommend reading Sebastian Raschka's book [Machine Learning Q and AI](https:\u002F\u002Fwww.amazon.com\u002FMachine-Learning-AI-Essential-Questions\u002Fdp\u002F1718503768\u002F) to get a deeper understanding of fundamental machine learning and AI topics.\n\n**NLP & LLMs**\n- [Intro to LLMs](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=zjkBMFhNj_g) by Andrej Karpathy\n- [LLM Course](https:\u002F\u002Fgithub.com\u002Fmlabonne\u002Fllm-course) by Maxime Labonne — Roadmaps, Colab notebooks, covers fundamentals to fine-tuning\n- [Learning to Reason with LLMs](https:\u002F\u002Fopenai.com\u002Findex\u002Flearning-to-reason-with-llms\u002F) by OpenAI — How reasoning models work\n\n> [!TIP]\n> 💰 You can learn how to build your own GPT-3 level LLM step-by-step in Sebastian Raschka's book [Build an LLM From Scratch](https:\u002F\u002Fwww.amazon.com\u002FBuild-Large-Language-Model-Scratch\u002Fdp\u002F1633437167\u002F).\n\n**Applications**\n- [Computer Vision](https:\u002F\u002Fwww.kaggle.com\u002Flearn\u002Fcomputer-vision) by Kaggle\n- [NLP Course](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fnlp-course\u002Fchapter1\u002F1) by HuggingFace\n- [ML Explainability](https:\u002F\u002Fwww.kaggle.com\u002Flearn\u002Fmachine-learning-explainability) by Kaggle\n- [Knowledge Distillation](https:\u002F\u002Fgithub.com\u002Fdkozlov\u002Fawesome-knowledge-distillation) by Dmitry Kozlov\n- [ML for Science](https:\u002F\u002Fml-science-book.com\u002F) by Molnar & Freiesleben\n- [ML for Games](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fml-games-course\u002Funit0\u002Fintroduction) by HuggingFace\n\n**Hands-On**\n- [Build a Recommendation System](.\u002Frecommendation-system\u002F) — Collaborative filtering with PyTorch by Logan Thorneloe\n\nMore coming soon to this section...\n\n---\n\n\u003Ca id=\"ai-engineering\">\u003C\u002Fa>\n![ai engineering](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floganthorneloe_ml-roadmap_readme_ab446c809997.png)\n\n**Building with LLMs**\n- [Prompt Engineering Guide](https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fbuild-with-claude\u002Fprompt-engineering\u002Foverview) by Anthropic\n- [Building Effective Agents](https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fbuild-with-claude\u002Fagentic-systems) by Anthropic\n- [Testing and Evaluation](https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fbuild-with-claude\u002Fdevelop-tests) by Anthropic\n\n**RAG & Infrastructure**\n- [MCP Documentation](https:\u002F\u002Fmodelcontextprotocol.io\u002F) — Connecting AI to external tools\n- [Building Agentic RAG](https:\u002F\u002Fwww.deeplearning.ai\u002Fshort-courses\u002Fbuilding-agentic-rag-with-llamaindex\u002F) by DeepLearning.AI\n- [Vector Databases Explained](https:\u002F\u002Fwww.pinecone.io\u002Flearn\u002Fvector-database\u002F) by Pinecone\n\n**Fine-Tuning & Local Models**\n- [LoRA and PEFT](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fsmol-course\u002Fen\u002Funit1\u002F3a) by HuggingFace — Parameter-efficient fine-tuning\n- [How to Set Up Your Own Local Coding Model](https:\u002F\u002Fwww.aiforswes.com\u002Fp\u002Fyou-dont-need-to-spend-100mo-on-claude) by Logan Thorneloe\n\n---\n\n\u003Ca id=\"ml-engineering\">\u003C\u002Fa>\n![ml engineering](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floganthorneloe_ml-roadmap_readme_c3fe3a794a9c.png)\n\n> [!TIP]\n> 💰 [ML School](https:\u002F\u002Fwww.ml.school\u002F) by Santiago is a hands-on live cohort covering MLOps and many of the machine learning topics above.\n\n- [Made with ML](https:\u002F\u002Fmadewithml.com\u002F) by Goku Mohandas — Complete MLOps course from design to production\n- [ML Efficiency](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL80kAHvQbh-pT4lCkDT53zT8DKmhE0idB) by MIT\n- [GPU Performance Engineering Resources](https:\u002F\u002Fgithub.com\u002Fwafer-ai\u002Fgpu-perf-engineering-resources) by Wafer AI\n- [MLOps Community](https:\u002F\u002Fmlops.community\u002F) — Community for MLOps practitioners\n\n> [!TIP]\n> 💰 For deeper understanding, read [Designing Machine Learning Systems](https:\u002F\u002Fwww.amazon.com\u002Fdp\u002F1098107969) by Chip Huyen — covers the architecture and trade-offs of production ML systems.\n\n---\n\n\u003Ca id=\"interview-prep\">\u003C\u002Fa>\n## Interview Prep\n\n- 💰 Elements of Programming Interviews\n  - [Python](https:\u002F\u002Fwww.amazon.com\u002FElements-Programming-Interviews-Python-Insiders\u002Fdp\u002F1537713949\u002F)\n  - [Java](https:\u002F\u002Fwww.amazon.com\u002FElements-Programming-Interviews-Java-Insiders\u002Fdp\u002F1517671272\u002F)\n  - [C++](https:\u002F\u002Fwww.amazon.com\u002FElements-Programming-Interviews-Insiders-Guide\u002Fdp\u002F1479274836\u002F)\n- 💰 System Design Interview by Alex Xu\n  - [Volume 1](https:\u002F\u002Fwww.amazon.com\u002FSystem-Design-Interview-insiders-Second\u002Fdp\u002FB08CMF2CQF\u002F)\n  - [Volume 2](https:\u002F\u002Fwww.amazon.com\u002FSystem-Design-Interview-Insiders-Guide\u002Fdp\u002F1736049119\u002F)\n- [Study Plan for ML Interviews](https:\u002F\u002Fgithub.com\u002Fkhangich\u002Fmachine-learning-interview) by Khang Pham\n\n---\n\n\u003Ca id=\"free-compute\">\u003C\u002Fa>\n## Free Compute\n\n| Resource | What You Get |\n|----------|--------------|\n| [Google Colab](https:\u002F\u002Fcolab.google\u002F) | Free T4\u002FP100 GPUs |\n| [Kaggle Notebooks](https:\u002F\u002Fwww.kaggle.com\u002Fcode) | 30 hours\u002Fweek GPU |\n| [Lightning AI](https:\u002F\u002Flightning.ai\u002F) | 22 GPU hours free |\n| [Google Cloud](https:\u002F\u002Fcloud.google.com\u002Fgpu) | $300 free credits |\n| [Amazon SageMaker](https:\u002F\u002Faws.amazon.com\u002Fmachine-learning\u002Faccelerate-machine-learning-P3\u002F) | Free tier |\n| [Paperspace Gradient](https:\u002F\u002Fwww.paperspace.com\u002Fnotebooks) | Free community tier |\n\n---\n\n**Subscribe to [AI for Software Engineers](https:\u002F\u002Faiforswes.com\u002F)** for more resources.\n\n**Support the creators!** Buy the books, leave reviews, follow the authors.\n\n**Want to contribute?** See [CONTRIBUTING.md](.\u002FCONTRIBUTING.md) to add your resources to this roadmap.\n\n**Questions?** [Message me on X](https:\u002F\u002Fx.com\u002Floganthorneloe)\n","![机器学习路线图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floganthorneloe_ml-roadmap_readme_27a52c50b259.png)\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Floganthorneloe\u002Fml-road-map\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Floganthorneloe\u002Fml-road-map?style=social\" alt=\"GitHub星标\">\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Faiforswes.com\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002F订阅-更多学习资源-橙色?style=social&logo=substack\" alt=\"获取软件工程师AI的所有资源\">\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Ftwitter.com\u002Floganthorneloe\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Ffollow\u002Floganthorneloe?style=social\" alt=\"在X上关注\">\n  \u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fyoutube.com\u002F@loganthorneloe\">\n    \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fyoutube\u002Fchannel\u002Fsubscribers\u002FUC3H55I0SqNKQgJU77LsFiBw?style=social&logo=youtube\" alt=\"在YouTube上订阅\">\n  \u003C\u002Fa>\n\u003C\u002Fp>\n\n# 机器学习路线图\n\n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。\n\n> [!提示]\n> 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。\n\n本资源由**[软件工程师AI](https:\u002F\u002Faiforswes.com)**提供。请**[订阅](https:\u002F\u002Faiforswes.com\u002Fsubscribe)**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](.\u002FCONTRIBUTING.md)。\n\n**目录**\n- [先修知识](#prerequisites)\n- [机器学习](#machine-learning)\n- [AI工程](#ai-engineering)\n- [ML工程](#ml-engineering)\n- [面试准备](#interview-prep)\n- [免费算力](#free-compute)\n\n### 如何使用本指南\n\n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。\n\n> [!NOTE]\n> **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。\n\n🚀 享受这些资源吧！\n\n---\n\n\u003Ca id=\"prerequisites\">\u003C\u002Fa>\n![prerequisites](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floganthorneloe_ml-roadmap_readme_bbd377030a11.png)\n\n**编程**\n- 哈佛大学的 [CS50](https:\u002F\u002Fcs50.harvard.edu\u002Fx\u002F2024\u002Fweeks\u002F0\u002F) — 编程入门\n- Google 的 [Python 课程](https:\u002F\u002Fdevelopers.google.com\u002Fedu\u002Fpython) — Python 基础\n- [NumPy 教程](https:\u002F\u002Fnumpy.org\u002Fdoc\u002Fstable\u002Fuser\u002Fquickstart.html) — 数组操作\n- Kaggle 的 [Pandas 课程](https:\u002F\u002Fwww.kaggle.com\u002Flearn\u002Fpandas) — 数据处理\n\n**数学**\n> [!TIP]\n> 💰 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。\n- Khan Academy 的 [代数](https:\u002F\u002Fwww.khanacademy.org\u002Fmath\u002Falgebra-home)\n- Khan Academy 的 [线性代数](https:\u002F\u002Fwww.khanacademy.org\u002Fmath\u002Flinear-algebra)\n- 哈佛大学的 [概率论](https:\u002F\u002Fcs50.harvard.edu\u002Fai\u002F2024\u002Fweeks\u002F2\u002F)\n- Khan Academy 的 [导数](https:\u002F\u002Fwww.khanacademy.org\u002Fmath\u002Fmultivariable-calculus\u002Fmultivariable-derivatives)\n- Google 的 [反向传播可视化](https:\u002F\u002Fdevelopers-dot-devsite-v2-prod.appspot.com\u002Fmachine-learning\u002Fcrash-course\u002Fbackprop-scroll\u002F)\n\n**工具**\n- [Git](https:\u002F\u002Fgit-scm.com\u002Fbook\u002Fen\u002Fv2)\n- [GitHub](https:\u002F\u002Fdocs.github.com\u002Fen\u002Fget-started)\n- [Shell](https:\u002F\u002Fwww.learnshell.org)\n\n**伦理**\n- Kaggle 的 [AI 伦理](https:\u002F\u002Fwww.kaggle.com\u002Flearn\u002Fai-ethics)\n\n---\n\n\u003Ca id=\"machine-learning\">\u003C\u002Fa>\n![ml fundamentals](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floganthorneloe_ml-roadmap_readme_6a5bbe21024c.png)\n\n**基础**\n- Google 的 [什么是机器学习？](https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fintro-to-ml) — 20 分钟概览\n- Google 的 [机器学习速成课](https:\u002F\u002Fdevelopers.google.com\u002Fmachine-learning\u002Fcrash-course) — 全面课程，涵盖回归、分类、神经网络、嵌入和 LLM\n- OpenAI 的 [强化学习入门](https:\u002F\u002Fspinningup.openai.com\u002Fen\u002Flatest\u002F) — 强化学习\n- 💰 Nathan Lambert 的 [RLHF 书籍](https:\u002F\u002Frlhfbook.com\u002F) — 深入探讨基于人类反馈的强化学习\n\n> [!TIP]\n> 💰 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。\n\n**NLP 和 LLM**\n- Andrej Karpathy 的 [LLM 入门视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=zjkBMFhNj_g)\n- Maxime Labonne 的 [LLM 课程](https:\u002F\u002Fgithub.com\u002Fmlabonne\u002Fllm-course) — 包含路线图和 Colab 笔记本，覆盖从基础到微调的内容\n- OpenAI 的 [如何让 LLM 进行推理](https:\u002F\u002Fopenai.com\u002Findex\u002Flearning-to-reason-with-llms\u002F) — 探讨推理模型的工作原理\n\n> [!TIP]\n> 💰 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。\n\n**应用**\n- Kaggle 的 [计算机视觉课程](https:\u002F\u002Fwww.kaggle.com\u002Flearn\u002Fcomputer-vision)\n- HuggingFace 的 [NLP 课程](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fnlp-course\u002Fchapter1\u002F1)\n- Kaggle 的 [ML 可解释性课程](https:\u002F\u002Fwww.kaggle.com\u002Flearn\u002Fmachine-learning-explainability)\n- Dmitry Kozlov 的 [知识蒸馏资源库](https:\u002F\u002Fgithub.com\u002Fdkozlov\u002Fawesome-knowledge-distillation)\n- Molnar 和 Freiesleben 的 [科学领域的 ML](https:\u002F\u002Fml-science-book.com\u002F)\n- HuggingFace 的 [游戏领域的 ML 课程](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fml-games-course\u002Funit0\u002Fintroduction)\n\n**实践**\n- [构建推荐系统](.\u002Frecommendation-system\u002F) — Logan Thorneloe 使用 PyTorch 实现的协同过滤\n\n本节后续还将有更多内容更新……\n\n---\n\n\u003Ca id=\"ai-engineering\">\u003C\u002Fa>\n![ai engineering](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floganthorneloe_ml-roadmap_readme_ab446c809997.png)\n\n**使用 LLM 构建应用**\n- Anthropic 的 [提示工程指南](https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fbuild-with-claude\u002Fprompt-engineering\u002Foverview)\n- Anthropic 的 [构建高效智能体](https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fbuild-with-claude\u002Fagentic-systems)\n- Anthropic 的 [测试与评估指南](https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fbuild-with-claude\u002Fdevelop-tests)\n\n**RAG 和基础设施**\n- [MCP 文档](https:\u002F\u002Fmodelcontextprotocol.io\u002F) — 将 AI 与外部工具连接\n- DeepLearning.AI 的 [构建智能 RAG](https:\u002F\u002Fwww.deeplearning.ai\u002Fshort-courses\u002Fbuilding-agentic-rag-with-llamaindex\u002F)\n- Pinecone 的 [向量数据库详解](https:\u002F\u002Fwww.pinecone.io\u002Flearn\u002Fvector-database\u002F)\n\n**微调与本地模型**\n- HuggingFace 的 [LoRA 和 PEFT](https:\u002F\u002Fhuggingface.co\u002Flearn\u002Fsmol-course\u002Fen\u002Funit1\u002F3a) — 参数高效的微调方法\n- Logan Thorneloe 的 [如何搭建自己的本地编码模型](https:\u002F\u002Fwww.aiforswes.com\u002Fp\u002Fyou-dont-need-to-spend-100mo-on-claude)\n\n---\n\n\u003Ca id=\"ml-engineering\">\u003C\u002Fa>\n![ml engineering](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floganthorneloe_ml-roadmap_readme_c3fe3a794a9c.png)\n\n> [!TIP]\n> 💰 Santiago 的 [ML School](https:\u002F\u002Fwww.ml.school\u002F) 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。\n\n- Goku Mohandas 的 [Made with ML](https:\u002F\u002Fmadewithml.com\u002F) — 从设计到生产的完整 MLOps 课程\n- MIT 的 [ML 效率系列](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PL80kAHvQbh-pT4lCkDT53zT8DKmhE0idB)\n- Wafer AI 的 [GPU 性能工程资源库](https:\u002F\u002Fgithub.com\u002Fwafer-ai\u002Fgpu-perf-engineering-resources)\n- [MLOps 社区](https:\u002F\u002Fmlops.community\u002F) — 面向 MLOps 从业者的社区\n\n> [!TIP]\n> 💰 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。\n\n---\n\n\u003Ca id=\"interview-prep\">\u003C\u002Fa>\n\n## 面试准备\n\n- 💰 编程面试要素\n  - [Python](https:\u002F\u002Fwww.amazon.com\u002FElements-Programming-Interviews-Python-Insiders\u002Fdp\u002F1537713949\u002F)\n  - [Java](https:\u002F\u002Fwww.amazon.com\u002FElements-Programming-Interviews-Java-Insiders\u002Fdp\u002F1517671272\u002F)\n  - [C++](https:\u002F\u002Fwww.amazon.com\u002FElements-Programming-Interviews-Insiders-Guide\u002Fdp\u002F1479274836\u002F)\n- 💰 Alex Xu 的系统设计面试\n  - [第一卷](https:\u002F\u002Fwww.amazon.com\u002FSystem-Design-Interview-insiders-Second\u002Fdp\u002FB08CMF2CQF\u002F)\n  - [第二卷](https:\u002F\u002Fwww.amazon.com\u002FSystem-Design-Interview-Insiders-Guide\u002Fdp\u002F1736049119\u002F)\n- [机器学习面试学习计划](https:\u002F\u002Fgithub.com\u002Fkhangich\u002Fmachine-learning-interview) by Khang Pham\n\n---\n\n\u003Ca id=\"free-compute\">\u003C\u002Fa>\n## 免费计算资源\n\n| 资源 | 你能获得什么 |\n|----------|--------------|\n| [Google Colab](https:\u002F\u002Fcolab.google\u002F) | 免费 T4\u002FP100 GPU |\n| [Kaggle Notebooks](https:\u002F\u002Fwww.kaggle.com\u002Fcode) | 每周 30 小时 GPU 使用时间 |\n| [Lightning AI](https:\u002F\u002Flightning.ai\u002F) | 免费 22 小时 GPU 使用时间 |\n| [Google Cloud](https:\u002F\u002Fcloud.google.com\u002Fgpu) | 300 美元免费额度 |\n| [Amazon SageMaker](https:\u002F\u002Faws.amazon.com\u002Fmachine-learning\u002Faccelerate-machine-learning-P3\u002F) | 免费套餐 |\n| [Paperspace Gradient](https:\u002F\u002Fwww.paperspace.com\u002Fnotebooks) | 免费社区版 |\n\n---\n\n**订阅 [AI for Software Engineers](https:\u002F\u002Faiforswes.com\u002F)**，获取更多资源。\n\n**支持创作者！** 购买书籍、留下评价、关注作者。\n\n**想贡献吗？** 请参阅 [CONTRIBUTING.md](.\u002FCONTRIBUTING.md)，将你的资源加入本路线图。\n\n**有问题？** [在 X 上私信我](https:\u002F\u002Fx.com\u002Floganthorneloe)","# ml-roadmap 快速上手指南\n\n`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。\n\n## 环境准备\n\n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：\n\n*   **操作系统**：Windows, macOS 或 Linux 均可。\n*   **浏览器**：现代浏览器（Chrome, Edge, Firefox）用于访问资源链接。\n*   **编程基础**：\n    *   了解基础编程概念（推荐 Python）。\n    *   熟悉 Git 基本操作。\n*   **开发工具**：\n    *   [Git](https:\u002F\u002Fgit-scm.com\u002F)\n    *   [GitHub 账号](https:\u002F\u002Fgithub.com\u002F)\n    *   (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。\n*   **计算资源**：\n    *   本地机器或云端 GPU 资源。初学者可利用 [Google Colab](https:\u002F\u002Fcolab.google\u002F) 或 [Kaggle Notebooks](https:\u002F\u002Fwww.kaggle.com\u002Fcode) 的免费算力。\n\n## 获取资源\n\n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。\n\n### 方式一：克隆仓库（推荐）\n\n在终端中执行以下命令将仓库克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Floganthorneloe\u002Fml-road-map.git\ncd ml-road-map\n```\n\n### 方式二：在线浏览\n\n直接访问 GitHub 仓库页面查看渲染后的 Markdown 文档：\n[https:\u002F\u002Fgithub.com\u002Floganthorneloe\u002Fml-road-map](https:\u002F\u002Fgithub.com\u002Floganthorneloe\u002Fml-road-map)\n\n> **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）。\n\n## 基本使用\n\n本项目的核心用法是**按顺序跟随学习路径**。\n\n### 1. 浏览学习路径\n\n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：\n\n*   **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。\n*   **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。\n*   **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)。\n*   **ML Engineering (MLOps)**：从设计到生产的全流程、GPU 性能优化。\n*   **Interview Prep (面试准备)**：算法题与系统设计。\n*   **Free Compute (免费算力)**：各大云平台的免费 GPU 资源列表。\n\n### 2. 开始学习\n\n根据你的当前水平选择起点：\n\n*   **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。\n*   **有基础的开发者**：可直接跳转至 `Machine Learning` 或 `AI Engineering` 章节。\n    *   *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。\n\n### 3. 结合 AI 助手学习 (实验性功能)\n\n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。\n\n**示例操作（在支持 AI 对话的 IDE 终端中）：**\n\n```bash\n# 假设你已克隆仓库并在当前目录\n# 向 AI 助手发送如下指令：\n\"Load the context of this repository. Act as my tutor based on the ml-roadmap. \nStart by assessing my current knowledge in Python and Math, then recommend the next specific resource from the 'Prerequisites' section for me to study.\"\n```\n\nAI 将会读取 `README.md` 内容，为你定制学习计划并解释相关概念。\n\n### 4. 动手实践\n\n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。\n\n```python\n# 示例：在学习 NumPy 章节时，你可以在本地 Python 环境测试\nimport numpy as np\n\na = np.array([1, 2, 3])\nprint(a * 2) \n# 输出: [2 4 6]\n```\n\n---\n**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。","一名拥有两年后端开发经验的工程师想转型进入 AI 领域，但在面对海量且碎片化的学习资源时感到无从下手。\n\n### 没有 ml-roadmap 时\n- **路径迷茫**：在 Coursera、YouTube 和各类博客间盲目搜索，无法区分哪些是过时的教程，哪些是核心基础，导致学习顺序混乱。\n- **基础缺失**：急于上手调用大模型 API，却因缺乏线性代数和概率论等数学根基，在理解算法原理和调试模型时频频受阻。\n- **资源浪费**：花费大量时间筛选免费课程，甚至误入质量低劣的付费陷阱，数月过去仍未建立起系统的知识框架。\n- **环境搭建困难**：对 Git、NumPy、Pandas 等前置工具链不熟悉，卡在环境配置和数据预处理阶段，迟迟无法进入真正的模型训练。\n\n### 使用 ml-roadmap 后\n- **路线清晰**：直接遵循从“前置知识”到\"ML 基础”再到\"AI 工程”的标准化路径，按部就班地跳过已掌握内容，专注补齐短板。\n- **根基扎实**：利用推荐的 Khan Academy 数学课程和 Google 反向传播可视化教程，系统补全了微积分与线性代数知识，深刻理解模型内部机制。\n- **高效筛选**：依托经过验证的资源列表，快速定位 Harvard CS50 和 Kaggle 等高质量免费内容，仅在有明确增值需求时才考虑标记为💰的优质付费书。\n- **实战加速**：通过内置的\"AI 辅助学习”功能，让 Cursor 或 Claude 基于该路线图生成定制练习，迅速掌握了从数据清洗到模型部署的全流程工具链。\n\nml-roadmap 将原本需要半年摸索的试错过程压缩为一条清晰的执行跑道，让开发者能以最低成本系统化地掌握机器学习核心技能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Floganthorneloe_ml-roadmap_27a52c50.png","loganthorneloe","Logan Thorneloe","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Floganthorneloe_c5efef10.jpg","ML infra + AI dev tools @Google\r\n \u002F Teaching engineers the full AI stack: aiforswes.com","@google","Austin, TX",null,"aiforswes.com","https:\u002F\u002Fgithub.com\u002Floganthorneloe",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,1297,156,"2026-04-13T11:40:38","MIT",1,"","非必需。项目主要提供学习路线图和资源链接。部分实践环节（如构建推荐系统）或使用的免费计算资源（如 Google Colab T4\u002FP100）可能需要 GPU，但无本地具体型号或显存强制要求。","未说明",{"notes":95,"python":96,"dependencies":97},"该项目是一个机器学习学习路线图仓库，主要包含课程链接、书籍推荐和学习指南，而非一个需要安装运行的软件工具。因此没有特定的操作系统、Python 版本或依赖库要求。用户可根据路线图中推荐的特定项目（如使用 PyTorch 的推荐系统实战）自行配置相应环境。文中提到了可利用 Google Colab、Kaggle 等平台获取免费 GPU 算力进行练习。","未说明（建议具备 Python 基础知识）",[],[14],[100,101,102,103,104],"artificial-intelligence","guides","machine-learning","software","roadmap","2026-03-27T02:49:30.150509","2026-04-15T08:10:22.213189",[],[]]