Python本月中等

rohitg00/ai-engineering-from-scratch

从零学AI工程，边学边做边落地

这是一套面向AI从业者的开源实战课程，通过503节线性进阶的课程，从数学底层到生产级系统全流程覆盖，每节课都产出可复用的工具，帮学习者掌握AI工程的核心原理与落地能力。

Stars

30.7k

Forks

5,002

增长

+23.9k（this month）

在 GitHub 打开

Overview

项目介绍

rohitg00/ai-engineering-from-scratch 解决的是从零学AI工程，边学边做边落地这类实际需求。作为开源项目，它把一个明确场景里的关键步骤整理成可复用的开源实现，核心价值在于把原本分散的操作沉淀成更稳定的项目能力。

拆开看，从零基础讲起，上手门槛低、理论结合实战，学完就能落地和覆盖AI工程全流程，内容全面构成了这个项目的主要竞争力。它不是追求大而全，而是先把一个具体环节做顺，再让开发者按自己的环境继续改造。

Technical Route

技术路线

ai-engineering-from-scratch采用线性递进的分层教学架构，以数学底层为基础，逐层构建机器学习、深度学习、大语言模型、智能体等AI工程核心能力。每个教学阶段拆解为独立课程，遵循「原理推导-原生实现-框架复用-工具产出」的闭环流程，让学习者从底层逻辑掌握AI系统的构建与落地，解决传统零散教学导致的知识断层问题。

1基础能力铺垫层：从开发环境配置、Git协作、GPU部署等工程工具入手，覆盖Python、Docker等AI必备技术栈，为后续算法实现搭建可复现的运行环境，确保学习者能快速上手代码实操。
2数学原理解构层：围绕线性代数、微积分、概率统计等AI核心数学知识，通过Python、Julia代码实现矩阵变换、梯度下降、自动微分（Automatic Differentiation）等算法，让学习者理解AI模型的底层数学逻辑。
3算法从简到繁构建层：从机器学习基础、深度学习核心，逐步延伸到计算机视觉、自然语言处理（NLP）、强化学习（RL）等领域，先手动实现反向传播、注意力机制等核心算法，再对接PyTorch等框架复用，强化原理理解。
4大模型专项攻坚层：聚焦Transformer架构、大语言模型（LLM）从0到1构建，覆盖Prompt工程、多模态融合、智能体循环（Agent Loop）等内容，通过纯Python实现无依赖的智能体运行逻辑，掌握大模型工程化核心技能。
5生产级能力落地层：涵盖工具协议对接、多智能体 swarm 系统、AI基础设施部署、伦理对齐等内容，将所学知识转化为可复用的Prompt、Skill、Agent、MCP Server等生产工具，完成从理论到落地的闭环。
6个性化学习适配层：提供/find-your-level技能实现的10题定位测试，根据学习者现有水平生成定制化学习路径，搭配/check-understanding阶段测验，精准定位知识薄弱点，提升学习效率。

Why Trending

为什么它会上榜

结合增长、最近更新与社区关注，给出一个更接近“决策参考”的上榜解读。

社区关注度上升：近期新增 +23852 Stars（this month），讨论热度明显提高。
定位清晰：这是一套Python编写的AI工程入门教程，从基础理论到项目实战全覆盖，帮学习者掌握AI落地的完整流程。

Audience

适合谁

想入行AI工程、具备基础编程能力的零基础学习者
只会调用AI API、想深入理解AI底层逻辑的开发者
需要提升AI项目从0到1落地能力的技术从业者
希望构建AI工程完整知识体系的在校学生

Use Cases

能拿来做什么

想入行AI工程的零基础学习者
需要提升AI项目落地能力的开发者

Quick Start

怎么开始

请看仓库README的安装章节

Watchouts

使用前注意事项

课程总时长约320小时，内容难度逐步提升，需投入大量时间和精力，不适合短期速成需求的学习者；
部分课程涉及GPU部署、多语言编程，需具备基础的编程和环境配置能力，纯零基础用户需先完成前置工具课程；
课程内容基于MIT协议开源可自由使用，但需注意产出工具的适配范围，部分技能仅支持特定AI助手平台。