AI学习资料免费合集：从入门到精通的路线图

2026-08-29

AI学习资料免费合集：从入门到精通的路线图

说实话，我经常在后台收到类似“想学AI但不知道从哪下手”的私信。这问题我太有共鸣了，因为我自己入坑那会儿也是这状态——收藏了十几个G的资料包，结果打开一看全是2018年的旧视频，吴恩达的课都看完了还不知道Transformer是个啥。今天干脆把这两年我自己趟出来的路线整理一下，全是免费资源，你们照着走就行。

先搞明白你要学什么方向

很多人一上来就抱着《深度学习》那本花书啃，这操作我劝你冷静。AI现在分得特别细，计算机视觉、自然语言处理、强化学习、大模型应用这几个方向的学习路径差别挺大的。你先问自己一个问题：你想做算法工程师，还是想用AI做产品？

如果是前者，数学基础（线性代数、概率论）和经典模型推导是必修课；如果是后者，那重点应该放在Prompt工程、LangChain这些工具链上。我自己是走的后一条路，因为说实话，现在很多岗位并不需要你从零训练一个模型，会用、会调、会接入API反而更吃香。

入门阶段：别急着看论文

我见过最搞笑的学习方式是，第一周就开始刷arXiv上的论文，看完一篇觉得自己是个傻子。入门阶段核心任务是建立直觉，不是搞懂每个公式的推导过程。

这里推荐两个免费课程，都是经过无数人验证的：

吴恩达的课虽然用了Octave这个老掉牙的工具，但讲概念的清晰度至今无人能比。李宏毅老师的课我更喜欢，因为他的例子特别接地气，比如用宝可梦来解释分类问题，用“如何预测明天会不会下雨”来讲回归。B站上直接搜“李宏毅 机器学习”就有官方授权的中文字幕版，连钱都不用花。

学完这些之后，你大概能看懂训练集、验证集、过拟合这些词了，也大概知道神经网络是怎么反向传播的——但注意，只是“大概知道”，这很正常，别焦虑。

进阶阶段：动手做项目比看十遍课有用

理论学到一定程度，你会发现一个残酷的事实：看教程的时候觉得自己会了，一写代码就报错。这太正常了，我第一跑通一个MNIST手写识别模型，花了两天时间，结果准确率只有89%，后来才知道是学习率设太高了。

所以进阶阶段我强烈建议走实战路线。这里有几个免费且质量极高的资源：

Kaggle 不用多说了吧，全球最大的数据科学竞赛平台。新手不要一上来就打比赛，先去看那些“Getting Started”级别的项目，比如泰坦尼克号生存预测、房价预测。每个项目都有大量公开的kernel（代码笔记），你能看到别人是怎么一步步清洗数据、做特征工程、调参的。最好的学习方式就是读别人的代码，然后自己复现一遍。

Hugging Face 这个平台现在已经是AI圈的GitHub了。上面有海量的预训练模型可以直接调用，还带详细的文档和示例代码。我建议你把上面最热门的几个模型（比如BERT、GPT-2、CLIP）的示例代码跑一遍，不需要完全理解内部原理，先学会怎么用API。

还有一个国内很多人不知道的宝藏：动手学深度学习（Dive into Deep Learning），李沐老师写的，有免费的在线版本，支持Jupyter Notebook直接运行。这本书的好处是每一节都有可运行的代码，而且配套了视频课程（B站有），理论和实操结合得特别紧密。我当时花了三周时间把卷积神经网络那章从头到尾敲了一遍，那感觉比看十遍花书都管用。

大模型时代：学会“站在巨人肩膀上”

2024年之后，AI学习的核心已经变了。以前我们要学会自己训练模型，现在学会怎么用好大模型反而更关键。

这块的免费学习资源其实散落在各处，我帮你整理了一份清单：

• Prompt Engineering：OpenAI官方文档里的Prompt Engineering指南，很系统地讲了怎么写有效的提示词，有中文翻译版本，直接搜就有。
• LangChain：这个框架的官方文档其实写得很好，有中文站。跟着里面的quickstart走一遍，你就能做一个简单的PDF问答机器人。
• 大模型微调：想要更深入的话，可以去看Hugging Face的PEFT库（Parameter-Efficient Fine-Tuning）的教程。或者国内一些技术博客，比如“机器学习算法与Python学习”这个公众号，经常发实操类的文章。

另外强烈推荐跟着一个开源项目完整走一遍。比如现在很火的智能助手项目（如ChatGPT-Next-Web），你把它的代码clone下来，自己部署一遍，再改改功能，整个过程下来你对大模型应用的整个链路就有概念了：前端怎么调API、后端怎么处理流式输出、怎么管理对话上下文。

别忽略的“隐形”资源

除了上面这些，还有几个我经常用但很多人不知道的资源：

论文带读视频。如果你最终还是想读懂论文，千万不要直接啃原文。推荐看看B站上的“跟李沐学AI”，他有一个系列是逐段精读经典论文的，从AlexNet到Transformer都有，讲得特别细。看一篇论文的视频讲解大概1-2小时，比自己硬啃效率高十倍。

GitHub上的Awesome系列。搜“Awesome LLM”或者“Awesome AI Resources”，能找到各种整理好的学习资源列表，而且更新很及时，比那些卖几百块的资料包靠谱多了。

中文社区。别只看英文资源，国内有些社区质量也很高。比如“AI算法工程师手册”这个GitHub项目，把机器学习、深度学习的核心知识点都做了中文整理，适合当词典查。

最后说点实在的

学习AI最忌讳的是“收藏从未停止，学习从未开始”。我见过太多人买了课、存了资料，最后全在网盘里吃灰。给自己定个目标，比如一个月内跑通一个图像分类项目，或者做一个能聊天的机器人，然后倒推需要学什么，缺什么补什么。

还有，一定要学会用搜索引擎和AI工具来解决问题。遇到报错信息，直接复制到Google或者问ChatGPT，比在群里等回复快多了。我现在写代码遇到问题，第一反应不是翻文档，而是先把报错丢给AI分析一下，效率真的高。

路线图这东西，说白了就是个参考。每个人基础不同、目标不同，找到适合自己的节奏才是最重要的。希望这份免费资料清单能帮你少走点弯路，有好的资源也欢迎回来分享。