视频课程 活跃维护

start-machine-learning

louisfb01/start-machine-learning

一本完整的指南，帮助你在2026年开始并提升机器学习（ML）和人工智能（AI）技能，即使没有任何相关背景，并随时了解最新新闻和最先进的技术！

GitHub 仓库 项目主页 GitHub直连下载
5305
Stars 标星
699
Forks 分支
165
Watchers 关注
6
Open Issues
—
主要语言
MIT
开源协议
100 KB
仓库大小
8 个月前
最后推送
一键安装扩展 / 插件指令
dsh plugin --profile web add github:louisfb01/start-machine-learning
git clone https://github.com/louisfb01/start-machine-learning.git
git clone git@github.com:louisfb01/start-machine-learning.git
README.md master
在 GitHub 上查看

机器翻译正文由机器翻译自项目原始文档（英文），排版经程序统一处理，可能存在偏差，请以原项目仓库为准。

在2026年开始机器学习——免费成为专家！

一本完整的指南，帮助你在2026年开始并提升机器学习（ML）、人工智能（AI），即使你没有任何相关背景，也能保持对最新资讯和最先进技术的了解！

本指南适合任何编程、数学和机器学习背景为零或很少的人。没有固定顺序需要遵循，但经典路线是从上到下。如果你不喜欢读书，可以跳过，如果你不想跟随在线课程，也可以跳过。成为机器学习专家没有唯一的方法，只要有动力，你完全可以成功。

这里列出的所有资源都是免费的，除了一些在线课程和书籍，这些课程和书籍当然推荐以获得更好的理解，但绝对可以在不使用它们的情况下成为专家，只需多花一些时间在在线阅读、视频和实践上。关于付费课程，本指南中的链接是附属链接。如果你想参加课程，请使用它们，这会支持我。谢谢，祝学习愉快！记住，这完全取决于你，并非必需。我觉得对我有用，也可能对其他人有用。

不要害怕重复观看视频或从多个来源学习。重复是学习成功的关键！

维护者：louisfb01，如果你想了解更多关于 AI 的内容，也可以在 YouTube 上关注，或作为 播客主持人 收听！你还可以在 我的个人通讯 每周两次获取更多学习！订阅 并获得清晰解释的 AI 新闻和更新！

如果有任何很棒的资源可以添加到本资源库，请随时通过 bouchard.lf@gmail.com 给我留言。

如果分享此列表，请在 Twitter 上标记我 @Whats_AI 或 LinkedIn 上标记 @Louis Bouchard

想知道本指南讲什么吗？观看此视频：

👀 如果你想支持我的工作，你可以查看 赞助 这个仓库。

从简短的YouTube视频介绍开始

从简短的 YouTube 视频介绍开始

在我看来，这是从零开始的最佳方式。在这里，我列出了一些我找到的最佳视频，它们将为你提供开始该领域所需了解的术语的很好的初步介绍。

另一种简单的开始学习并持续学习的方法是在空闲时间听播客。开车去上班、乘公交车，或者难以入睡？听一些 AI 播客，以熟悉术语和模式，通过启发性故事了解这个领域！我邀请你关注我个人最喜欢的一些优秀播客，例如 Lex Fridman、Machine Learning Street Talk、Latent Space Podcast，当然还有我的播客：Louis Bouchard Podcast，在那里你将了解该领域非常有才华的人，以及他们分享辛勤收集知识的启发性故事。

跟随YouTube上的免费在线课程

关注 YouTube 上的免费在线课程

这里列出一些在 YouTube 上非常棒的课程，你绝对应该关注，而且完全免费。

阅读文章

阅读许多文章

这里有一份在线上可用的精彩文章列表，你绝对应该阅读，而且100%免费。Medium几乎是找到优秀讲解的最佳地点，无论是在Towards AI还是Towards Data Science出版物上。我也在这里分享自己的文章，并且非常喜欢使用这个平台。如果你感兴趣并且想同时支持我，可以通过我的推荐链接这里订阅Medium！

阅读书籍

读一些书

这里有一些适合喜欢阅读路线的人的优秀书籍。

构建数学基础的优秀书籍：

完整的微积分背景：

这些书完全是可选的，但它们会让你更好地理解理论，甚至还能教你一些神经网络编码的内容！

没有数学背景学习机器学习？看看这个！

没有机器学习的数学背景？看看这个！

别紧张，就像生活中的大多数事情一样，你可以学习数学！这里有一些很棒的初学者和高级资源，可以让你进入机器学习数学的世界。我建议从机器学习中的三个非常重要的概念开始（这里有三个在可汗学院提供的超棒免费课程）：

这里有一些很棒的免费书籍和视频，可能帮助你以更“结构化的方式”学习：

如果你仍然缺乏数学自信，可以查看上面的 阅读书籍 部分，我在其中分享了许多优秀的书籍来建立坚实的数学基础。现在你已经拥有了非常好的机器学习数学基础，可以深入学习了！

没有编程背景也没问题

没有编程背景，也没问题

这里有一些很棒的课程列表，可以学习机器学习的编程方面。

在这里，我想快速提一下，我们最近发布了新课程“生成式 AI 的 Python”，我们专注于将 Python 编程作为处理 AI 系统的“工具”进行教学。如果你的目标是这样做，而不是为了编程而学习编程，可以在 Towards AI Academy 查看。

查看 Louis Bouchard 播客，获取更多以专家访谈形式呈现的 AI 内容！我和受邀 AI 专家将覆盖与 AI 相关的具体主题、子领域和角色，分享和传授那些辛勤收集知识的人所掌握的内容。

跟随在线课程

（可选）通过参加一些在线课程获得更好的理解和更多的指导练习

如果你希望有更多指导并有清晰的步骤可遵循，这些课程是最佳选择。

针对具体应用：

将你的模型上线并向世界展示：

练习、练习，再练习！

练习是关键

编程中最重要的是练习。这同样适用于机器学习。找到一个可以练习的个人项目可能会很困难。

幸运的是，Kaggle 存在。这个网站充满了免费的课程、教程和比赛。你可以免费参加比赛，只需下载数据，了解问题，然后立即开始编码和测试！你甚至可以通过赢得比赛赚取金钱，这在简历上也是一件很棒的事情。这可能是学习的同时获得经验甚至赚钱的最佳方式！另一个进行项目的好机会是跟随针对特定应用的课程，比如 From Beginner to Advanced LLM Developer，它教授如何复制我们在 Towards AI 构建的 AI 教学助手，并最终将其上线到真实的在线平台上！

你也可以为 Kaggle 比赛组队，与他人一起学习！我建议你加入一个社区寻找团队并与他人一起学习，这总比独自一人更好。请查看下一节了解相关内容。

想构建语言模型/应用？看看这个（现在有大语言模型！）

我收到了很多人希望专注于自然语言处理（NLP）（处理语言的模型）甚至仅仅为了NLP任务而学习机器学习的请求。这一部分专门满足这个需求。祝你NLP学习愉快！

  • 2022年掌握NLP的完整路线图
  • 通过Coursera的deeplearning.ai自然语言处理专业课程成为NLP专家 - 付费 “进入NLP领域。通过四门动手课程掌握最前沿的NLP技术！”
  • NLP纳米学位! — 付费 “学习最前沿的自然语言处理技术以处理语音和分析文本。构建概率和深度学习模型，如隐马尔可夫模型和循环神经网络，让计算机能够执行语音识别、机器翻译等任务！”
  • NLTK书籍是学习NLP背后基本理论的免费资源： https://www.nltk.org/book/
  • 想快速构建文本分类模型或词向量工具，fasttext 是一个可以快速训练模型的好库。
  • Huggingface 是获取现代NLP模型的地方，他们还提供了完整的课程。
  • SpaCy 在生产环境中的NLP非常棒，它可以完成NLU、NER，并且可以使用它训练分类等。它还能在管道中添加自定义步骤或模型。
  • Prompting! Prompting是一项新技能，如果你想开发NLP相关应用，应该掌握。这是一门我正在参与贡献的优秀课程，旨在教授prompting并提供特定模型的技巧。

训练、微调并使用大型语言模型！

  • LangChain与生产中的向量数据库 - 这是我们在Towards AI与Activeloop和Intel Disruptor Initiative合作建立的一个精彩免费资源，用于学习LangChain与生产中的向量数据库。“无论你是初次接触AI领域的经验开发者，还是有经验的机器学习爱好者，这门课程都是为你设计的。我们的目标是让AI变得可访问且实用，改变你处理日常任务的方式及工作整体影响力。”
  • 面向生产的LLM训练与微调 - 这是我们在Towards AI与Activeloop及Intel Disruptor Initiative合作构建的一个精彩免费资源，用于学习面向生产的LLM训练与微调。“如果你想学习如何从零开始训练和微调LLM，并且具备中级Python知识以及可以访问中等算力资源（在某些情况下，只需一个Google Colab就足够！），你应该已做好准备参加并完成本课程。本课程面向广泛受众，包括AI初学者、现有机器学习工程师、学生以及考虑转向AI职业的专业人士。我们的目标是为你提供必要的工具，以便在各行各业应用和定制大语言模型，使AI更易接近且更实用。”
  • 从初学者到高级LLM开发者 - 由Towards AI推出。“使用LLM、提示工程、RAG、微调和智能代理构建你的第一个可扩展产品！掌握顶级公司所需技能，并使用现实应用构建自己的高级LLM最小可行产品(MVP)。”
  • 面向生产的LLM构建：通过提示工程、微调和RAG增强LLM能力与可靠性 - 由Towards AI推出。“探索将大语言模型适应真实应用的关键技术栈，包括提示工程、微调和检索增强生成技术。”（或在此处获取电子书 here。你可以私信我获取不错的折扣！）

更多资源

加入社区！

保存速查表！

关注该领域的新闻！

  • 订阅分享新论文的YouTube频道 - 及时获取该领域的新闻！

  • LinkedIn 群组

  • Facebook 群组

    • 人工智能与深度学习 - 关于人工智能、神经网络和深度学习的权威且最活跃的 Facebook 群组。涵盖人工智能和深度学习前沿的所有新奇有趣的内容。神经网络将在未来几年重新定义智能机器的意义。
    • 深度学习 - 现今社会趋向软性化和自动化，正发展为第四次工业革命，这因此将个体推入社会动荡的漩涡中。为了生存或取得领先，人们应该配备相关工具。机器正在变得更加聪明和智能。机器学习是一项不可回避的技能，要求人们熟悉掌握。本群组面向那些希望发展自身才能以适应社会的人们。

  • 新闻通讯

    • AlphaSignal — 人工智能中最受阅读的技术新闻通讯
    • AI News - 由Swyx及其朋友运营 - 大量LLM帮助索引约356个Twitter、约21个Discord等。（我个人主要阅读主要摘要）
    • Inside AI - 有关人工智能、机器人技术和神经技术的每日故事及评论摘要。
    • AI Weekly - 每周汇总人工智能和机器学习的新闻及资源。
    • AI Ethics Weekly - 每周将人工智能伦理的最新动态直接发送到你的收件箱。
    • Louis Bouchard Weekly - 每周清晰讲解一篇论文，包括文章、视频演示、演示、代码等。
    • Toward's AI newsletter - 每周总结最有趣的新闻和学习资源，以及Learn AI Together Discord社区的动态。非常适合机器学习专业人士和爱好者。

  • 关注Medium账号和出版物

    • Towards Data Science - “分享概念、想法和代码”
    • 走向人工智能 - “科技、科学与工程的精华。”
    • OneZero - “未来的潜流。一个关于科技和科学的 Medium 出版物。”
    • Louis Bouchard - "嗨，我是Louis（loo·ee，法语发音），来自加拿大蒙特利尔。我尽力以最好的方式向大家分享和解释人工智能术语和新闻。我的目标是为大家揭开人工智能“黑盒”的神秘面纱，并让人们意识到使用它的风险。"

  • 查看这个完整的GitHub指南以跟上人工智能新闻

找到一份机器学习工作

  • 阅读文章的这一部分，里面有面试技巧以及如何为面试做准备。
  • 通过观察他人的面试过程来了解面试流程，并提升准备能力，比如我主持的面试系列，邀请了来自NVIDIA、Zoox（自动驾驶公司）、D-ID（生成式AI初创公司）等公司的专家。

人工智能伦理

如果你分享这个列表，请在 Twitter 上 @我 @Whats_AI 或 LinkedIn 上 @我 @Louis Bouchard！

👀 如果你想支持我的工作，你可以查看 赞助 这个仓库。

本指南仍在定期更新。

本站来源与版权声明
  • 本文标题：start-machine-learning - 一本完整的指南
  • 本文链接：https://cn121.com/course/louisfb01-start-machine-learning.html
  • 原项目：louisfb01/start-machine-learning　版权归原作者 louisfb01 及贡献者所有
  • 收录信息：本站于 2026-10-17 收录本项目，本页所列协议与仓库指标均为收录当时的状态；该日期之后原项目的版本更新与协议变更，本页不作同步。
  • 开源协议：收录时本项目采用 MIT（查看 LICENSE 原文），本站译文为其衍生内容；使用、修改、分发请以该仓库 LICENSE 原文为准。
  • 站点出处：本文首发于 OneTwoOne，收录自 GitHub 开源项目 louisfb01/start-machine-learning。
  • 翻译说明：本页正文为人工智能生成内容——由机器翻译对原项目 README 初译、经程序校验排版，可能存在错漏，请以原项目文档为准。
  • 引用声明：商业转载、第三方聚合或 AI 检索训练引用时，请务必保留以上来源出处、本文永久链接，以及原项目的版权声明与许可信息。
  • 下架通道：若原项目此后变更或收紧了许可协议、或作者／权利人认为本站的收录方式（译文、排版适配、简介翻译等）超出其授权范围，请通过 xyd3302001@163.com 发送下架通知，并附上项目地址与本页链接。本站核实后将第一时间删除本页内容，或改为不复制原文的目录性收录；署名更正等其他要求可一并提出。
标签： MIT / ISC MIT artificial-intelligence course cheat-sheets coursera coursera-machine-learning