生成式AI学习路线图：从入门到精通的完整指南

生成式AI是当前最炙手可热的技术领域之一，掌握其技术是未来职场竞争力的关键。面对海量资源，社区精心整理的开源项目**"Generative-AI-Learning-Roadmap"**汇集了微软、谷歌、OpenAI、斯坦福等顶级机构的优质资源，为不同水平学习者提供清晰学习路径，解决初学者迷茫问题。

这份学习路线图的最大特色在于系统性和权威性，与零散教程不同，它将生成式AI学习划分为多个层次，形成完整知识体系。适合零基础新手和有经验的AI从业者，所有资源经过筛选，确保高质量与权威性，避免信息海洋中迷失。

初级阶段：夯实基础

针对无AI背景者，推荐Python编程和数学基础资源：IBM的Python课程、斯坦福ML基础、吴恩达的AI for Everyone、哈佛Python AI入门等，以及经典教材如《Python Crash Course》。

中级阶段：深入核心

掌握基础后学习神经网络、深度学习和生成式AI核心：DeepLearning.AI的神经网络课程、AWS的LLM构建课程、哈佛的数据科学进阶内容，强调嵌入和推荐系统学习。

高级阶段：专精突破

面向AI专家的高级资源：谷歌的高级ML优化、IBM的AI工作流（特征工程与偏见检测）、注意力机制与Transformer模型，以及《Deep Learning》权威教材。

LangChain与提示工程

涵盖高效提示词设计、LangChain框架应用、检索增强生成（RAG）系统、AI智能体开发等内容。

LLMOps与AI基础设施

提供模型部署、监控、扩展等工程实践资源，助力AI模型投入生产。

企业级AI治理

包含AI伦理、合规性、风险管理等企业应用关键议题。

项目是结构化学习体系，docs目录提供入门指南、ML基础、深度学习与Transformer、LLM工程实践、AI基础设施等详细指引。作为开源项目，欢迎社区贡献，内容持续更新，GitHub仓库有贡献指南，确保路线图紧跟技术趋势。

• 完全初学者：从AI for Everyone建立认知，再学Python和数学基础，先理解基本概念。
• 有编程基础开发者：直接从ML基础入手，快速掌握核心概念后进入深度学习和LLM。
• 转型AI工程师：重点关注LLMOps、RAG系统、AI Agents等工程实践方向。
• 研究人员：深入学习Transformer架构与注意力机制，关注最新论文和开源项目。

生成式AI重塑工作与生活，系统性学习是关键。该项目提供经过验证的学习路径，汇聚全球顶尖资源，适合各水平学习者。学习AI需持续投入与实践，借助此路线图把握技术机遇。

项目地址：https://github.com/iscloudready/Generative-AI-Learning-Roadmap