category
made with excalidraw
如果你觉得这个路线图有帮助，请在Twitter和LinkedIn上关注我！也订阅这个时事通讯，我每周都会和朋友分享有趣的链接。
那么，你想学习人工智能吗？但你不知道如何或从哪里开始？
早在2020年，我就在互联网上写了20大免费数据科学、ML和AI MOOC。但我已经意识到，修很多课程不是办法。
要想逃离教程地狱并真正学习，你必须亲自动手，从头开始写算法，实现论文，并使用人工智能解决问题，做有趣的附带项目。
这篇文章试图制定一个遵循这一哲学的免费课程。我正在学习其中的一些课程，所以如果你想一起学习，请访问Twitter或Linkedin！
此外，如果你认为它遗漏了什么，请留言评论！
但首先，请注意课程设置和一些学习建议。
自上而下的方法
这门课程遵循自上而下的方法——先代码后理论。
我喜欢在必要的时候学习。所以，如果我必须弄清楚一些事情，一个要解决的问题，或者一个要制作的原型，我会广泛地获取我需要的信息，研究，理解它，然后采取行动。
例如，我的目标是成为一名从根本上理解LLM的人工智能工程师，这涉及到从头开始对转换器进行编码和在GPU上微调LLM等技能。我现在无法做到这一点，因为我的知识存在空白，我的目标是填补这些空白。
它也以NLP为重点；如果你正在寻找其他人工智能专业，如计算机视觉或强化学习，请在下面评论或在Twitter或Linkedin上DM我。我会给你一些建议。
在我向你抛出一堆链接之前，我希望有人在我开始学习之前告诉我两件重要的事情。
在公共场合学习
有很多东西需要学习，你永远不会完成学习，尤其是在人工智能方面，每周都会发布新的革命性论文和想法。
你可能犯的最大错误就是私下学习。如果你这样做，你不会为自己创造任何机会。除了能够说你完成了一些事情之外，你没有什么可以展示的。更重要的是你如何利用这些信息，如何将其转化为与公众共享的知识，以及这些信息带来了哪些新颖的想法和解决方案。
所以，你应该在公共场合学习。
这意味着要有创造的习惯。
这可能意味着：
- 撰写博客和教程
- 加入黑客马拉松并与他人合作
- 在Discord社区中问答问题
- 从事你热衷的副业
- 在推特上谈论你发现的有趣的新事物
- 说到推特，
使用Twitter
如果你关注正确的人并正确使用它，推特是当今任何人都可以使用的价值最高的社交平台。
跟随谁？请参阅 AI list by Suhail 。
如何使用Twitter？阅读Near的《如何成功推特》。
推特上的DM人。要真诚，保持简短，并有一个具体的要求。这份由Sriram Krishnan撰写的关于如何撰写冷电子邮件的指南也适用于DM。
如何发推特？阅读讲师创始人Jason的推文解剖，他从0开始成长→ 几个月内有14000名追随者。
如果你正在读这篇文章，请在推特上关注我！
DM我你在干什么！我总是愿意在很酷的项目上合作。
现在让我们开始讨论。
目录
- Mathematics
- Tools
∘ Python
∘ PyTorch - Machine Learning
∘ Write from Scratch
∘ Compete
∘ Do side projects
∘ Deploy them
∘ Supplementary - Deep Learning
∘ Fast.ai
∘ Do more competitions
∘ Implement papers
∘ Computer Vision
∘ NLP - Large Language Models
∘ Watch Neural Networks: Zero to Hero
∘ Free LLM boot camp
∘ Build with LLMs
∘ Participate in hackathons
∘ Read papers
∘ Write Transformers from scratch.
∘ Some good blogs
∘ Watch Umar Jamil
∘ Learn how to run open-source models.
∘ Prompt Engineering
∘ Fine-tuning LLMs
∘ RAG - How to stay updated
- Other curriculums/listicles you may find useful
数学
DALL·E
机器学习在很大程度上依赖于数学的三大支柱：线性代数、微积分、概率和统计学。每种算法在使算法有效运行方面都发挥着独特的作用。
- 线性代数：用于数据表示和操作的数学工具包，其中矩阵和向量构成算法解释和处理信息的语言
- 微积分：机器学习中的优化引擎，使算法能够通过理解梯度和变化率来学习和改进。
- 概率和统计学：不确定性下决策的基础，允许算法通过随机性和可变性模型预测结果并从数据中学习。
从程序员的角度来看，这是一个关于ML数学的伟大系列：基于权重和偏差的机器学习数学（代码）
如果你想要一种代码优先的线性代数方法，请由fast.ai的创建者进行计算线性代数（视频，代码）。
在课程的同时阅读Python应用机器学习的线性代数导论。
如果你想要更传统的东西，可以看看伦敦帝国理工学院的讲座——线性代数和多元微积分。
观看3Blue1Brown的《线性代数的本质》和《微积分的本质》。
观看StatQuest的统计学基础
补充的
工具
Python
初学者从这里开始：实用Python编程。
如果您已经熟悉Python，请进行以下高级Python掌握
它们都是Python烹饪书作者David Beazley的精彩课程。
之后，观看詹姆斯·鲍威尔的一些演讲
阅读Python设计模式。
补充的
- Book: Fluent Python, 2nd Edition (code)
- Podcasts: Real Python & Talk Python
PyTorch
观看Aladdin Persson的PyTorch教程
PyTorch网站是个不错的地方。
用一些谜题测试你的知识
srush/Tensor谜题：解决谜题。改进PyTorch
补充的