一份按知识依赖组织、以理解与实践为目标的中文 AI 百科式学习仓库。
Awesome AI 面向已经接触过机器学习或深度学习、但希望重新建立完整知识体系的学习者。内容从数学、统计和经典机器学习出发，逐步连接深度学习、计算机视觉、自然语言处理、Transformer、LLM、生成模型、VLM、强化学习、智能体、机器人与前沿研究。
本仓库追求的是一张可循序学习、可动手验证的知识地图，而不是宣称穷尽 AI 的全部主题。资料与前沿章节的核验截止日期为 2026-08-11。
- 依赖有序：章节按先修关系排列，并在知识单元内标明先修内容。
- 以知识点为单位：每个单元尽量包含定义、直觉、公式或机制、资料位置、代码、检测题与常见误区。
- 理论连接实践：代码以最小可理解示例为主，综合项目提供交付物和验收标准。
- 资料可定位：优先引用教材章节、课程讲义具体位置、原始论文与官方文档。
- 成熟度分层：区分稳定基础、分支专题与快速变化的前沿内容。
- 双重阅读方式：既可按拆分章节逐步学习，也可使用单文件完整版检索。
第一次使用时，建议依次完成：
- 阅读
docs/00-start/中的使用说明、依赖图与路线建议。 - 先做基础诊断，再决定哪些数学和机器学习章节可以快速复习。
- 按目标选择下方路线；遇到不熟悉概念时回到其先修章节。
- 每学完一个知识单元，运行代码并完成检测题，不只阅读结论。
- 用
docs/06-projects/的项目检验跨章节能力。
也可以直接打开 full/AI_Encyclopedia.md，在完整讲义中搜索术语、编号或课程名称。
| 目标 | 建议顺序 |
|---|---|
| 建立完整基础 | 00-start → 01-foundations → 02-perception-language → 03-decision-specialties → 04-systems-agents-robotics → 05-frontier → 06-projects |
| LLM / NLP | 数学与深度学习主干 → NLP、Transformer 与 LLM → 生成模型 → RAG 与 Agent → 前沿推理和后训练 |
| CV / VLM | 数学与深度学习主干 → 计算机视觉 → 生成模型 → VLM 与多模态 → 视频与统一多模态模型 |
| RL / 机器人 | 概率、优化与深度学习主干 → 强化学习 → 模仿学习和离线 RL → 机器人、VLA 与世界模型 |
| AI 工程与研究 | 机器学习实验基础 → 目标分支 → 系统、评测与 MLOps → Agent → 前沿专题与复现实验 |
这些路线不是互斥专业：例如 VLM 仍依赖视觉与语言主干，机器人策略也不能替代控制、几何和安全验证。
Awesome-AI/
├── README.md
├── CONTRIBUTING.md
├── SECURITY.md
├── CHANGELOG.md
├── CITATION.cff
├── .github/ # 内容检查、Issue 与 PR 模板
├── docs/
│ ├── 00-start/ # 使用方法、依赖图、学习路线
│ ├── 01-foundations/ # 数学、编程、经典 AI、ML、DL 主干
│ ├── 02-perception-language/ # CV、NLP、生成模型、VLM
│ ├── 03-decision-specialties/ # RL、图学习、语音、时序、因果、推荐
│ ├── 04-systems-agents-robotics/ # MLOps、RAG、Agent、机器人
│ ├── 05-frontier/ # 经日期核验的前沿技术地图
│ ├── 06-projects/ # 诊断、渐进项目与统一验收标准
│ └── 07-resources/ # 资料索引、可信度与阅读边界
├── full/
│ └── AI_Encyclopedia.md # 单文件完整版
└── scripts/
└── validate_content.py # 内容结构和代码片段检查
无需安装依赖即可阅读：
git clone https://github.com/notepix/Awesome-AI.git
cd Awesome-AI若要运行讲义中的示例，推荐创建独立 Python 环境，再根据目标章节安装所需库。常用示例围绕 Python、NumPy、scikit-learn、PyTorch、Hugging Face 与 Gymnasium；并非每一章都需要安装全部依赖。
维护者或贡献者可运行内容检查：
python scripts/validate_content.py验证脚本用于检查仓库结构、知识单元必要字段、代码围栏与 Python 片段语法；它不能替代对公式、资料解释和实验结论的人工审阅。
建议采用下面的闭环，而不是连续翻页：
- 先修检查：能否用自己的话解释列出的前置概念？
- 定义与机制：先复述问题、输入输出和假设，再推导公式。
- 定位原资料：打开给定章节或论文小节，确认上下文。
- 运行代码：改变一个变量，预测结果，然后再执行。
- 完成检测：不给自己看答案，输出推理过程或实验记录。
- 迁移应用：把知识点接入一个真实数据集或小项目。
- 本仓库是学习资料，不是某一论文、课程或产品文档的替代品。
- 基础理论相对稳定；模型版本、API、排行榜、许可证与产品能力会持续变化。涉及这些内容时，应以链接中的最新官方资料为准。
- “论文提出”“公开代码实现”“本地实验复现”和“产品已支持”是不同证据层，不能相互替代。
- 示例代码优先服务于解释概念，通常不具备生产环境所需的安全、性能、监控与异常处理。
- 前沿章节提供的是经截止日期核验的学习入口，不代表共识已经形成，也不构成对未来方向的保证。
内容维护遵循以下最低标准：
- 知识点编号和先修引用可解析，章节顺序与依赖关系一致。
- Python 代码块至少通过语法检查；可运行性仍取决于注明的依赖和硬件。
- 资料优先采用教材、官方课程、原始论文、标准或官方文档，并尽量定位到具体章节。
- 新增前沿事实需注明核验日期，避免把产品状态或排行榜写成永久结论。
- 项目必须给出交付物、指标或可观察的验收条件。
发现错误时，欢迎提交 Issue，并附上章节编号、问题描述、复现方式和可信来源。
欢迎补充解释、修正公式或链接、改进代码、添加检测题和复现实验。请先阅读 CONTRIBUTING.md，并在提交前运行验证脚本。
若改动涉及快速变化的模型或产品，请同时提供：原始来源、访问日期、适用范围，以及它是论文结论、代码能力还是产品能力。
学术报告、课程或项目中使用本仓库时，可通过 CITATION.cff 获取引用元数据。版本历史见 CHANGELOG.md。
本仓库采用 MIT License。复用仓库内容时，请保留许可证与署名；仓库链接到的课程、论文、代码和数据仍适用各自的许可与使用条款。