bishwaghimire/ai-learning-roadmaps

本仓库是一个教学资源库，而非单一课程。它收集了精选的书籍、视频播放列表、大学课程、研究论文、工具以及学习人工智能、机器学习、深度学习及相关主题（如 LLMs 和 MLOps）的分步路线图。

适用人群： 计算机科学专业的学生、AI 爱好者以及希望从初学者进阶到高级水平的专业人士。

内容概览：

• 路线图 — 针对不同路径的结构化指南：基础（AI, ML, DL, 数据科学）、专业领域（计算机视觉, NLP, LLMs, 生成式 AI, RAG）、生产环境（MLOps）以及研究/安全。
• 职业轨道 — 为 AI 工程师、数据科学家、MLOps 工程师、研究科学家等角色建议的学习顺序。
• 数学基础 — 线性代数、微积分、概率论、统计学和优化理论的资源表，每项均标注了难度等级和资源类型（书籍、课程、视频）。
• 编程基础 — Python, NumPy, Pandas, Matplotlib, PyTorch/TensorFlow 的书籍、播放列表和大学课程。
• 工具与框架 — 分类列表（可视化、传统 ML、深度学习、NLP/LLM 框架、向量数据库、MLOps、部署、云平台）。
• 研究论文与博客 — 关键论文（如 Attention Is All You Need, BERT, GPT-3）以及官方和社区博客。
• 社区 — 用于持续学习的 Reddit, Discord, Telegram 群组和 GitHub Discussions。

如何使用：

• 新手？从 AI Roadmap 开始，然后进入 ML → DL → 专业化学习。
• 模块是“模块化但相互关联的” — 你不需要线性地学习所有内容。
• ⭐ 星号标记了在学术界/研究界/工业界广泛使用的高影响力资源。

实用设置帮助：

• 列出了初始工具：Python 3.10+, VS Code, 虚拟环境, notebooks (Google Colab/Jupyter) 以及必要的 Python 库。

显著特点：

• 兼顾学术界和工业界的相关性。
• 为不同的职业目标提供了清晰的进阶路径。
• 混合了免费和付费资源（主要是外部链接）。
• 积极欢迎贡献（“Contributions Welcome” 徽章）。