学习地图

Route 03 · 18 nodes

CS 课程图谱

面向 AI、LLM、系统与基础设施方向的公开课程关系图和学习路径。

预计投入: 按课程长期推进
目标输出: 建立 AI 与系统课程的学习顺序

01
斯坦福 CS 课程学习图谱：面向 AI 与 LLM 的路线

把 17 门 Stanford CS 课程按应用、原理、系统三层整理成 AI/LLM 学习路径。
核心节点
02
CS 107: Computer Organization and Systems

计算机系统基础概念：C 语言编程、数据表示、机器级代码、计算机算术、编译、内存组织与管理、性能评估与优化。
Stanford · 计算机系统
03
CS 146S: The Modern Software Developer

AI 正在快速改变我们构建、调试和维护软件的方式。从 Cursor、Warp 等新一代 IDE 和终端，到 Coderabbit、Qodo 等代码审查和测试平台，软件开发的每个环节都在被重塑。
Stanford · AI开发工具
04
CS 149: Parallel Computing

涵盖 GPU、向量指令集、共享/非共享内存、同步机制、MapReduce、Apache Spark、SIMT 等并行编程模型。
Stanford · 并行计算
05
CS 221: Artificial Intelligence: Principles and Techniques

涵盖搜索、约束满足、博弈、马尔可夫决策过程、概率图模型、机器学习和逻辑。AI 领域的全景入门。
Stanford · AI
06
CS 221M: Mechanistic Interpretability

理解模型如何处理信息以及为什么产生特定输出的 ML 子领域。涵盖探针（probing）、引导（steering）、因果抽象和稀疏自编码器。包含来自学术界和工业界领先可解释性实验室的客座讲座。
Stanford · 可解释性
07
CS 224N: Natural Language Processing with Deep Learning

自然语言处理（NLP）是信息时代最重要的技术之一。NLP 的应用无处不在：网络搜索、广告、邮件、客服、翻译、虚拟助手、医疗报告等。
Stanford · NLP
08
CS 224v: Conversational Virtual Assistants with Deep Learning

聚焦 LLM 在对话系统中的应用： 1. 通过监督学习和自学习增长 LLM 知识 2. 通过外部知识库防止幻觉 3. 处理结构化和非结构化数据
Stanford · LLM应用
09
CS 224w: Machine Learning with Graphs

涵盖表征学习和图神经网络（GNN）、万维网算法、知识图谱推理、影响力最大化、社交网络分析。学习 PyG（PyTorch Geometric）等图学习工具。
Stanford · 图学习
10
CS 229: Machine Learning

涵盖统计模式识别、线性/非线性回归、非参数方法、指数族分布、GLMs、支持向量机、核方法、深度学习、模型/特征选择、学习理论、聚类、密度估计、EM 算法、降维（PCA/ICA）、强化学习与自适应控制、马尔可夫决策过程等。
Stanford · 机器学习
11
CS 230: Deep Learning

学习深度学习基础、构建神经网络、领导成功的 ML 项目。涵盖 CNN、RNN、LSTM、Adam、Dropout、BatchNorm 等。采用翻转课堂模式，通过医疗、自动驾驶、音乐生成、NLP 等实际案例学习。
Stanford · 深度学习
12
CS 231n: Deep Learning for Computer Vision

学习实现、训练和调试神经网络，深入了解视觉识别的前沿研究。涵盖学习算法、神经网络架构、训练和微调网络的工程技巧。从 ImageNet 到 ResNet 到 Vision Transformer，覆盖 CNN 的完整演进。
Stanford · 计算机视觉
13
CS 234: Reinforcement Learning

涵盖马尔可夫决策过程、RL 基础、大规模域扩展、探索挑战。包含深度强化学习作业。应用于机器人、游戏、消费者建模和医疗保健。
Stanford · 强化学习
14
CS 236: Deep Generative Models

涵盖变分自编码器（VAE）、生成对抗网络（GAN）、Flow 模型的概率基础和学习算法。应用于计算机视觉、语音、NLP 和强化学习。
Stanford · 生成模型
15
CS 324: Advances in Foundation Models

深入学习基础模型（如 GPT-3、CLIP、Stable Diffusion）的模型与算法、系统与基础设施、伦理与社会影响。学生将获得实践经验，识别基础模型的真实用例。
Stanford · 基础模型
16
CS 336: Language Modeling from Scratch

语言模型是现代 NLP 应用的基石，为下游任务提供了通用系统的新范式。本课程通过引导学生完成开发自己语言模型的全过程，让学生全面掌握语言模型。
Stanford · 语言模型
17
CS 348k: Visual Computing Systems

研究并行异构系统的设计与挑战，用于执行和加速视觉计算应用（计算摄影、图像/视频理解、实时 3D 图形）。涵盖高效图形、图像处理和计算机视觉系统架构设计。
Stanford · GPU架构
18
CS 349d: AI Inference Infrastructure

聚焦复合 AI 系统的云计算基础设施和架构模式。客座讲座来自 Databricks、OpenAI、NVIDIA、Microsoft 等公司。
Stanford · AI推理

把知识库里的学习路线整理成可公开阅读的成长地图。

AI 产品路线

Agent 系统：值得学习的项目与资源

AI 产品设计模式：值得学习的产品案例

AI Product Engineer：12 周求职学习路线图

AI Product Engineer：项目学习路线网

模型部署与选型 — 值得学习的项目与资源

评估与安全 — 值得学习的项目与资源

AI 记忆系统 — 值得学习的项目与资源

多模态 — 值得学习的项目与资源

Prompt Engineering — 值得学习的项目与资源

RAG（检索增强生成）— 值得学习的项目与资源

Tool Calling / Function Calling — 值得学习的项目与资源

AIGC 创作

AIGC 视频学习地图：从 Prompt 到分镜工作流

AIGC 视频 Prompt 来源库

AIGC 视频 Prompt 模板库

AIGC 视频来源与版权边界

AIGC 视频创作工作流与练习

AIGC 国风武侠打斗 Prompt 拆解

Mx-Shell《丧尸清道夫》方法论

CS 课程图谱

斯坦福 CS 课程学习图谱：面向 AI 与 LLM 的路线

CS 107: Computer Organization and Systems

CS 146S: The Modern Software Developer

CS 149: Parallel Computing

CS 221: Artificial Intelligence: Principles and Techniques

CS 221M: Mechanistic Interpretability

CS 224N: Natural Language Processing with Deep Learning

CS 224v: Conversational Virtual Assistants with Deep Learning

CS 224w: Machine Learning with Graphs

CS 229: Machine Learning

CS 230: Deep Learning

CS 231n: Deep Learning for Computer Vision

CS 234: Reinforcement Learning

CS 236: Deep Generative Models

CS 324: Advances in Foundation Models

CS 336: Language Modeling from Scratch

CS 348k: Visual Computing Systems

CS 349d: AI Inference Infrastructure

微信小程序

微信小程序开发者学习路径