这是什么

这是一个免费的、由社区精选的人工智能和机器学习学习指南。它将免费的YouTube课程、在线课程、博客和网站的链接整合到一个有序的学习路线图中。

它由Aadith Sukumar（GitHub用户aadi1011）创建，涵盖AI、ML、深度学习、数据科学、自然语言处理、计算机视觉、生成式AI、强化学习和智能体AI。

适合谁

任何对AI/ML感兴趣的人，从完全的初学者到想要高级材料的人。模块按难度递增排列，因此初学者可以从模块0开始逐步学习，但README说你可以同时或按顺序学习模块。

如何使用

路线图分为11个编号模块加上一个奖励模块。标有⭐的内容是作者强烈推荐的。每个模块是一个资源表（课程、视频、文章、软件）。

还有作者制作的两个配套YouTube视频，介绍这些资源（第1部分和第2部分）。

学习路径（模块）

• 模块0 – 开始之前：设置你的计算机——安装Python 3.14、Visual Studio Code、pip包安装器，以及AI/ML中常用的Python库。
• 模块1 – 背后的数学：基础数学——一个面向ML的数学播放列表、一个离散数学课程（NPTEL）、离散结构、MIT线性代数讲座，以及数据科学的基础数学。
• 模块2 – 构建基础：计算机科学和Python编程——MIT的Python入门CS课程、哈佛的CS50 Python课程、W3Schools Python入门、一个4小时的Python视频，以及HackerRank练习和Python认证。
• 模块3 – 数据科学：学习数据——使用Python进行统计和数据科学，附带一个5分钟的奖励介绍视频、W3Schools数据科学入门、一个Python数据科学视频、Google数据分析证书，以及IBM数据科学证书（⭐）。
• 模块4 – 机器学习：教机器从数据中学习——入门ML文章、哈佛的数据科学ML课程（⭐）、GeeksForGeeks ML教程、一个Microsoft Azure/OpenAI模块、Andrew Ng在Coursera上的机器学习专项课程（标记为专家级，建议在掌握基础后学习），以及Google Cloud的ML工程师路径。
• 模块5 – 计算机视觉：赋予计算机视觉——速成课程视频、一个OpenCV完整教程、OpenCV Bootcamp、计算机视觉基础（⭐），以及一个高级斯坦福讲座播放列表。
• 模块6 – 深度学习神经网络：神经网络如何模拟大脑——DeepLearning.AI的课程、一个神经网络/深度学习课程、卷积神经网络课程、一个深度学习速成课程（⭐），以及一个