GitHub(zimingttkx) · zimingttkx
AI-Practices:机器学习与深度学习实战教程
按仓库 README 列出的 14 个模块顺序学习机器学习与深度学习,从基础算法一路走到深度学习核心专题、大模型多模态、工程部署与智能体系统,并用配套 Notebook 动手实现各模块内容。
GitHub
- 难度
- 进阶
- 形式
- 实践教程
- 语言
- 中文
- 规模
- 14 个课节
- 内容费用
- 免费
- 动手
- 需要动手环境
使用限制
无需账号即可浏览仓库与下载 Notebook;运行代码需自备 Python/Jupyter 环境,GPU 非网页明示的必需项。
- 补充内容
- 深度学习、大模型、分布式训练等模块在本地运行可能需要 GPU,原站未明确写出要求
- 内容提示
- 原站推广:仓库 README 顶部设有 assets/ sponsor 入口并自称“2枚Kaggle金牌”“竞赛级方案 · 包含Kaggle Top 1%金牌解决方案”等宣传性自述成绩。
第一次学这门课?先完成学前准备,把课程目录搭好。
每节课这样学
- 发提示词把下面的每课提示词发给 AI Agent,它会准备这一课的练习文件。
- 学官方课节打开对应课节学习,按提示从第一道练习做起;它不会替你写答案。
- 记进度学完让 AI Agent 在 progress.md 勾选,并把疑问整理到 questions.md。
每课提示词 · 每次学习前用
继续学习「AI-Practices:机器学习与深度学习实战教程」。课程目录是 ai-practices-tutorial/(不知道完整路径就先问我)。 1. 读 progress.md,找到下一课;如果我指定了第几课,就准备那一课。 2. 打开这一课的官方页面和本地讲义,列出本课练习要用的工具、文件和样例数据。缺少的先告诉我,等我同意再安装或下载。 3. 在 lessons/ 对应的课节文件夹里准备好练习:exercises/ 里给每道题建一个文件,写上题号和题目原文链接,不写答案;已有文件保留,样例数据放到 data/。拿不到官方题目或起始代码时记录限制,不编造替代品。 4. 按 README 运行开课时生成的自检脚本或在线检查清单,并检查本课新增工具能否正常使用。 5. 告诉我:本课先读哪几节、从哪道练习开始、大约需要多久。我学完后,帮我在 progress.md 勾选并把问题整理到 questions.md。 边界: - 需要管理员权限、会产生费用或需要填写密钥的操作,先告诉我原因,等我同意。密钥由我在本机配置,不发到聊天,不写进笔记或版本库;原项目需要 .env 时确认已被 Git 忽略。 - 不替我写练习或作业答案,也不替我提交。我卡住时只给提示;我明确要求时才给解答。 - 只下载许可允许个人保存的材料;其余只放链接。不把未运行的命令说成成功。
课节共 14 节 · 官方顺序
- 0101-foundations|机器学习基础
- 0202-neural-networks|神经网络
- 0303-computer-vision|计算机视觉
- 0404-sequence-models|序列模型
- 0505-advanced-topics|高级专题
- 0606-generative-models|生成模型
- 0707-reinforcement-learning|强化学习
- 0808-theory-notes|理论笔记
- 0909-practical-projects|实战项目
- 1010-large-language-models|大语言模型
- 1111-multimodal-learning|多模态学习
- 1212-deployment-optimization|部署优化
- 1313-distributed-training|分布式训练
- 1414-agents-reasoning|智能体系统
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-20
- 指南参考
- 课程主页
版权与转载
- MIT:代码可自由使用和修改,需保留版权声明。原站说明
- 本站只提供原始链接和学习指南,不转载、不镜像课程材料;引用时请注明原作者与出处。