tangyudi/Ai-Learn

人工智能学习路线图,整理近200个实战案例与项目,免费提供配套教材,零基础入门,就业实战!包括:Python,数学,机器学习,数据分析,深度学习,计算机视觉,自然语言处理,PyTorch tensorflow machine-learning,deep-learning data-analysis data-mining mathematics data-science artificial-intelligence python tensorflow tensorflow2 caffe keras pytorch algorithm numpy pandas matplotlib seaborn nlp cv等热门领域

Open original source ↗

From the publisher

README & documentation

Source preview

Read the project’s overview, installation instructions and usage examples. The original README is the source of truth.

Created by 唐宇迪 资料存在太多数据集,百度网盘被举报后已经无法分享链接,后续将提供谷歌网盘 一站式 LLM底层技术原理入门指南网盘链接,提取码:dige 整理这个项目的初衷是方便同学们快速开启人工智能自学计划,在学习过程中少走弯路用最快的效率入门Ai并开始实战项目, 提供了近200个Ai实战案例和项目,这些并不是网上搜集来的,而是我这五年线上线下教学所开发和积累的案例。可以说都是 反复迭代更新出来的,适合同学们来进行循序渐进的学习与练手。来的同学记得点个star收藏下! 19年底我出版了机器学习课程的配套教材《跟着迪哥学Python数据分析与机器学习实战》, 风格依旧是通俗易懂,历时两年反复修改订正十余次终于和大家见面了。 为了方便更多同学们能快速开始学习计划,我决定将本书的电子版免费送给大家。希望它能给大家带来学习的收获! 在本项目主页即可下载PDF版本,教材如果喜欢也可从京东购买。 《跟着迪哥学Python数据分析与机器学习实战》PDF原版下载 : (网盘链接: https://pan.baidu.com/s/19wzJeyPmwTBDp9ASEWBvFQ 提取码: tece ) 下面目录也就是学习路线路了,初学者建议按照目录中给出的顺序来进行学习,已经入门的同学就可以按照自己的喜好来选择了。 案例中涉及的数据都是真实数据集,有些会比较庞大,直接上传github大家下载起来会非常慢,我会逐渐上传各个模块 的网盘链接,里面包括了数据,代码,PPT等学习资源。 要学人工智能(数据科学)这行还是需要一些基本功的,最基础也是最核心的就是Python和数学了!这两兄弟入门起来 并不难,先掌握基础的边用边学也是可以的! 如果对Python不熟悉的同学们,建议先看一下我的Python入门视频课程,可以快速入门!传送门 最直接的解释就是大家都用它!以前是面向对象编程,后来大家更喜欢面向复制粘贴编程,现在懒到面向github编程,确实如此,该偷懒就得偷懒,Python就是这个作用! 后续所有的实战内容都是基于Python,所以没得选啦! Anaconda就够了!Anaconda就够了!Anaconda就够了!好了,说了三遍了,具体解释大家参考上面传送门课程就好 虽然大家都有趁手的兵器,但是我给大家准备的绝大多数课件都是基于jupyter notebook的,所以这个肯定是必备的! 工具包就是人家把功能都写好了,咱们直接调用就完事啦!数据处理,分析,建模等都有对应的工具包。对于学习来说 并不用把这些工具包背下来,先熟悉起来,后续肯定还是要现用现查的。 数学有多重要同学们肯定都十分清楚,尤其是在人工智能(数据科学)领域,不懂数学想必寸步难行,很多同学都问过我一个问题,工作中真能用上这么多数学吗? 我跟大家来解释一下,人工智能这行发展相当迅速,在实际工作中肯定要边干边学,学什么呢?想必就是当下的一些优秀论文了,如果连基本的数学公式都看不懂, 那就不用再去谈什么高端技术了。做这行的同学们肯定都会有这样一个想法,所谓的人工智能就是对数据做各种各样的数学计算罢了! 对于数学我觉得并不需要从头开始花大量时间一步一个脚印去学习,举一个例子,我和我身边的同事,朋友都是干这行蛮久的了,数学不知道撸了多少遍了,考研时候也曾刷题无数, 但也会遇到这样的问题,很多知识点如果一段时间没看很快还是会忘记。我最常做的一件事就是用到什么查什么,查找的过程其实也是学习进步过程。建议大家可以快速过一遍 常用的知识点(高数,线性,概率论中的基础),这个过程中千万别去看各种解题过程,也不用管具体求解的方法,说白了就是只要理解一个公式是做什么的,有什么用 就足够了,类似教材中的习题,练习册上的求解这些统统不需要,以后也根本不会用笔去算这些麻烦事,把这个时间省下来去学习算法更划得来!…

tangyudi/Ai-Learn on GitHub A short preview, not the full document.

Read the full README ↗ · Preview checked 2026-10-28T17:27:58.484Z

Inside the original README — Document outline
  1. 人工智能实战就业(面试)学习路线图
  2. 2023-12月抖音资料获取
  3. 整理资源较多如需要课程学习相关资源请联系微信
  4. 目录
  5. 必备基础技能
  6. 必备Python基础
  7. 必备Python工具包
  8. 必备数学基础
  9. 机器学习
  10. 机器学习算法
  11. 机器学习算法实验分析
  12. 机器学习算法代码复现

Headings are captured from the source. Links open the publisher’s document, not a locally hosted copy.

Documentation belongs to its respective authors. A listing is not a grant of reuse or training rights. Confirm the document’s own terms at the source.

What this repository does

人工智能学习路线图,整理近200个实战案例与项目,免费提供配套教材,零基础入门,就业实战!包括:Python,数学,机器学习,数据分析,深度学习,计算机视觉,自然语言处理,PyTorch tensorflow machine-learning,deep-learning data-analysis data-mining mathematics data-science artificial-intelligence python tensorflow tensorflow2 caffe keras pytorch algorithm numpy pandas matplotlib seaborn nlp cv等热门领域

Repository facts

Owner
tangyudi
Primary language
Not reported
Stars
13,456
Forks
2,671
Open issues + pull requests
20
License
Not reported — inspect the license file
Archived
No
Default branch
master
Created
2020-01-28T01:55:06.000Z
Last push
2024-06-02T04:46:40.000Z

Topics and intended use

Owner-supplied topics: algorithm, artificial-intelligence, caffe, cv, data-analysis, data-mining, data-science, deep-learning, keras, machine-learning, mathematics, matplotlib, nlp, numpy, pandas, python, pytorch, seaborn, tensorflow, tensorflow2

Review the README for scope, installation, examples and limitations. We do not run repository code or certify it.

Evaluate before installing

Review licensing and dependencies, inspect recent commits and unresolved issues, and test in an isolated environment before production use. Stars and forks alone cannot answer these questions.

README and project files

Issues and maintenance discussion

Releases and changelog

Source and freshness

Source: GitHub. Metadata observed 2026-11-01T13:20:54.848Z. Daily imports are snapshots, not real-time monitoring.

Popularity and source listings do not establish security, suitability, licensing rights or benchmark performance.

Open original source

Related repositories