Skip to content

AI Learning GPT.md

Latest commit

 

History

History
365 lines (240 loc) · 14.8 KB

AI Learning GPT.md

File metadata and controls

365 lines (240 loc) · 14.8 KB
Raw

AI Learning

來源：喵哩文創〈2026 AI 免費課程完整指南：30+ 官方資源一次整理〉
主題：免費 AI 學習資源、平台比較、學習路徑與 100 小時學習規劃
整理日期：2026-05-18

一、文章核心摘要

2026 年的 AI 免費學習資源已經非常充足，問題不再是「哪裡有課可以學」，而是「不同背景的人應該先學什麼」。文章整理了 DeepLearning.AI、Anthropic Academy、OpenAI Academy、Google AI、Microsoft GitHub、AWS Skill Builder、Hugging Face、Fast.ai、Kaggle、LangChain Academy、Stanford、MIT、李宏毅課程等平台，並從時間效率、市場認可度、可遷移性、動手程度與更新頻率等角度評估。

文章的主要判斷是：免費資源對大多數 AI 學習目標已經足夠。對初學者而言，應先建立概念基礎，再選擇開發、企業認證或工具應用其中一條主線深入，最後用實作驗證學習成果。

二、學習資源分類總覽

類型 代表平台 適合對象 核心價值
基礎概念 DeepLearning.AI、Coursera 旁聽、AI for Everyone 初學者、非技術背景、轉職者 建立 AI 與 ML 的概念地基
官方工具課 OpenAI Academy、Anthropic Academy、Google AI 想學 ChatGPT、Claude、Gemini 實務應用者 學官方產品與 API 的正確用法
工程實作 Microsoft GitHub、Kaggle、Fast.ai 工程師、具 Python 基礎者 直接動手跑程式、建立專案
雲端與認證 AWS Skill Builder、Google Cloud Skills Boost 企業 IT、雲端顧問、AI 導入角色 建立雲端 AI 服務與認證能力
開源與理論 Hugging Face、Stanford CS224N、MIT 6.S191、李宏毅 ML 想深入 LLM、NLP、深度學習者 理解模型原理與開源生態
Agent / RAG 應用 LangChain Academy、Anthropic MCP、Microsoft AI Agents AI 應用開發者 學習 agent、RAG、MCP 等現代 AI 應用架構

三、DeepLearning.AI 與吳恩達課程

定位

吳恩達系課程被文章視為 AI 教育的基礎。其優勢不是最新，而是概念清晰、結構穩定，適合用來建立後續學習所需的共同語言。

建議課程

  • AI for Everyone：非技術背景的最佳起點。
  • Machine Learning Specialization：理解機器學習基本概念與方法。
  • Deep Learning Specialization：進一步理解深度學習架構。
  • Generative AI with LLMs：Coursera 與 AWS 聯合出品，聚焦 LLM。
  • AI Agentic Design Patterns：聚焦 agent 架構。
  • MCP 短課：快速理解 Model Context Protocol。
  • ChatGPT Prompt Engineering for Developers：與 OpenAI 聯合出品。
  • RAG 系列短課：聚焦向量資料庫與檢索增強生成。

Coursera 旁聽方式

Coursera 上許多 DeepLearning.AI 課程可以免費旁聽。通常在課程頁面點選「Enroll for Free」後選擇「Audit」即可觀看影片與教材。旁聽通常不能提交作業，也不能取得付費認證。

重點結論

DeepLearning.AI 短課程被文章評為免費 AI 資源中投報率最高的一類。若只想先打基礎，建議順序是：

  1. AI for Everyone
  2. Machine Learning Specialization
  3. DeepLearning.AI GenAI 短課
  4. RAG、Prompt Engineering、MCP 或 Agent 相關短課

四、Anthropic Academy

定位

Anthropic Academy 是 Claude 與 Anthropic 生態系的官方學習平台。文章指出其特色是同時涵蓋 AI 素養、Claude API、MCP、雲端整合與 Claude Code。

課程分類

類別 內容 適合對象
AI Fluency 系列 AI Framework & Foundations、for educators、for students、for nonprofits 非技術背景、教育者、學生、非營利組織
Claude API 開發 Building with the Claude API 想從使用者轉為開發者的人
MCP 系列 Introduction to Model Context Protocol、Advanced Topics 想理解 agent 整合標準的人
雲端整合 Claude with Amazon Bedrock、Claude with Google Cloud Vertex AI 企業雲端部署角色
Claude Code 系列 Claude Code 101、Claude Code in Action 開發者
Agent 系列 Introduction to agent skills、Introduction to subagents AI agent 應用開發者

重點結論

Anthropic Academy 適合作為完成基礎概念課後的第一個實作型官方課程。若目標是學 Claude API、MCP 或企業環境中的 Claude 部署，這是優先級很高的資源。

五、OpenAI Academy 與 Google AI

OpenAI Academy

OpenAI Academy 是學習 ChatGPT、Codex 與 workspace agent 的官方資源。文章特別推薦三類課程：

  • ChatGPT for Work 101 / 102：適合非技術工作者，學習寫信、摘要、資料分析與工作流建立。
  • Codex for Beginners / Engineers / Admins and IT：適合導入 AI coding agent 的團隊。
  • Skill Lab: Build Your First Workspace Agent：實作型工作坊，建立第一個 agent。

文章判斷：若日常工作高度依賴 ChatGPT，花 2–3 小時學官方課程，比看零散的 prompt 技巧影片更有效。

Google AI

Google 的 AI 學習資源分為三條路線：

路線 平台 適合對象
Google AI Essentials Coursera 一般工作者、Google Workspace 使用者
Gemini API Codelabs ai.google.dev 想整合 Gemini API 的開發者
Google Cloud Skills Boost cloud.google.com/skills 想在 GCP / Vertex AI 部署 AI 的人

Kaggle

Kaggle 被歸在 Google AI 生態中，文章特別指出兩個高投報率資源：

  • Gen AI Intensive：大量開發者參與，材料開放。
  • Kaggle AI Agents Intensive：適合邊做邊學、觀察社群作法的人。

重點結論

OpenAI 與 Google 官方資源主要適合作為「工具手冊」使用。建議先有 AI 概念基礎，再用這些平台學產品操作、API 實作與工作流設計。

六、Microsoft GitHub 免費教材

定位

Microsoft 在 GitHub 上提供多個高品質 AI 學習專案，特色是工程師導向、可直接執行、有 Jupyter Notebook 或 coding assignment。

推薦資源

資源 內容 適合對象
Generative AI for Beginners 21 課 GenAI 開發教材 有 Python 基礎的工程師
AI Agents for Beginners 12 課 AI agent 開發教材 想學 agent 應用的開發者
AI-For-Beginners 12 週 24 課 ML 課程 想系統學 ML 的初學者
GitHub Copilot 文件與指南 Copilot 使用與開發工作流 日常寫程式的工程師

重點結論

Microsoft GitHub 教材的核心優勢是「社群驗證」與「可執行的程式碼」。如果是工程師背景，直接 fork repo 並實作，是很有效率的學習方式。

七、AWS Skill Builder 與 AIF-C01 認證

認證定位

AWS Certified AI Practitioner（AIF-C01）是 AWS 的 AI 入門認證。文章認為它不會讓人變成 AI 工程師，但對企業 IT、雲端顧問與 AI 導入相關角色有實際履歷價值。

免費備考資源

  • AWS Skill Builder 官方學習路徑
  • 官方 Practice Exam
  • Exam Readiness Check
  • AWS 認證報名平台

建議備考時間

背景 建議時間
有 IT 或雲端背景 約 4–6 週
無 AWS 經驗 約 8–12 週

是否值得考

情境 建議
企業 IT、AI 顧問、雲端導入 值得考
開發者或研究者 可能不如 Hugging Face、Fast.ai 等實作課投報率高
完全不碰 AWS 優先級較低

八、Hugging Face、Fast.ai 與學術公開課

Hugging Face

Hugging Face 是理解開源 LLM 生態的重要平台。文章提到的重點資源包括：

  • LLM Course
  • AI Agents Course
  • Deep RL Course
  • MCP Course

適合想理解 fine-tuning、reasoning model、自行部署模型與開源模型工具鏈的人。

Fast.ai

Fast.ai 的 Practical Deep Learning for Coders 採取「先做出結果，再解釋原理」的方式，適合有一年以上 coding 經驗、偏好實作導向的學習者。

學術公開課

課程 特色 適合對象
李宏毅 ML 2026 Spring 中文、每年更新、涵蓋 ML / DL / GenAI 台灣學習者、想用中文理解原理者
Stanford CS224N NLP / LLM 理論標竿 想深入 NLP 的學習者
MIT 6.S191 深度學習入門、材料開源 想補深度學習基礎者

LangChain Academy

LangChain Academy 適合想開發 RAG 或 agent 應用的人。其免費基礎課程 LangChain Essentials 可作為學習 LangChain 框架的起點。

學術路線與實戰路線

路線 建議組合 適合情境
實戰路線 Fast.ai + Microsoft GitHub + Kaggle 6 個月內要把 AI 用在工作或產品中
學術路線 李宏毅 + Stanford CS224N + MIT 6.S191 + Hugging Face 有 1 年以上時間，想打深厚基礎
Agent / RAG 路線 LangChain Academy + Anthropic MCP + Microsoft AI Agents 想開發現代 AI 應用

九、Louis 的 100 小時 AI 學習分配方案

總體分配

階段 時數 目標
前 20 小時 20 建立概念地基
中間 50 小時 50 選定一條方向深入
後 30 小時 30 實作與社群驗證

前 20 小時：概念地基

建議從 AI for Everyone 開始，再進入 Machine Learning Specialization 的第一門課。目標是能清楚解釋：

  • 機器學習是什麼
  • LLM 為什麼能生成文字
  • supervised learning 與 unsupervised learning 的差異
  • AI 工具與 AI 模型的基本關係

中間 50 小時：三條主線

選項 主線 推薦內容 適合對象
A 開發方向 DeepLearning.AI 短課 + Anthropic Claude API + Hugging Face LLM Course 工程師、想做 AI 應用者
B 企業認證方向 AWS AIF-C01 備考路徑 + 考試 企業 IT、雲端顧問、AI 導入角色
C 工具應用方向 Microsoft GitHub + Kaggle Gen AI Intensive + OpenAI Academy PM、行銷、營運、工具導入者

後 30 小時：實作

找一個與工作相關的 open-source 專案或真實問題，使用學到的工具做出一個實際作品。文章強調，AI 學習的瓶頸通常不是知識量，而是能否把知識接到真實問題上。

十、依背景選擇學習路徑

1. 工程師

前提：已會 Python 或具備基本開發能力。

建議路徑：

  1. Machine Learning Specialization
  2. DeepLearning.AI GenAI 短課
  3. Anthropic Academy Claude API
  4. Hugging Face LLM Course
  5. Microsoft Generative AI for Beginners / AI Agents for Beginners
  6. 做一個 RAG 或 AI agent 專案

預期成果：100 小時後可獨立建立基本 RAG 應用或 AI agent，並能在工作中落地。

2. PM 或行銷

前提：不一定寫程式，但需要能評估工具與設計工作流。

建議路徑：

  1. AI for Everyone
  2. ChatGPT Prompt Engineering for Developers
  3. ChatGPT for Work 101 / 102
  4. Google AI Essentials
  5. Kaggle Gen AI Intensive 或 OpenAI Academy agent 工作坊
  6. 設計一個與工作相關的 AI 工作流

預期成果：能評估 AI 工具、設計 AI 工作流，並與工程師用較準確的語言溝通需求。

3. 企業評估者

前提：需要在組織中建立 AI 決策與導入能力。

建議路徑：

  1. AI for Everyone
  2. AWS AIF-C01 備考路徑
  3. Google AI Essentials
  4. OpenAI Academy ChatGPT for Work
  5. Anthropic Academy AI Fluency
  6. 建立企業 AI 導入評估框架

預期成果：具備基礎 AI 判斷能力、雲端 AI 服務理解與可被組織辨識的認證基礎。

十一、常見問題整理

AI 免費課程真的夠用嗎？

對大多數學習目標而言，夠用。免費資源已經涵蓋基礎概念、開發實作、工具應用、雲端部署與部分認證準備。

Coursera 旁聽和付費有什麼差別？

旁聽可以看影片與教材，但通常不能提交作業，也不能取得 Coursera 認證。付費主要差在作業評分與證書。

吳恩達課和 Anthropic Academy 哪個先學？

建議先學吳恩達課程。吳恩達課建立概念框架，Anthropic Academy 則偏工具與官方 API 實作。

AWS AIF-C01 值得考嗎？

若工作場景涉及企業 IT、AI 顧問或 AWS 雲端服務，值得考。若是純開發或研究導向，可能優先選擇 Hugging Face、Fast.ai 或 Microsoft GitHub 實作課。

沒有程式基礎能學 AI 嗎？

可以，但應設定合理目標。沒有程式基礎可以學 AI 工具使用、商業邏輯與工作流設計；若要開發 AI 應用，仍需要補 Python 與基本程式能力。

台灣有哪些中文 AI 課程？

李宏毅的 ML 課程是完整且持續更新的中文 ML 資源，適合想用中文理解 AI 原理的台灣學習者。

十二、主要資源連結整理

資源 官方網址 免費程度
DeepLearning.AI 短課程 learn.deeplearning.ai 完全免費
DeepLearning.AI 專項課旁聽 coursera.org 旁聽免費
Anthropic Academy anthropic.skilljar.com 完全免費
OpenAI Academy academy.openai.com 完全免費
Google AI Essentials coursera.org 旁聽免費
Gemini API Codelabs ai.google.dev 完全免費
Google Cloud Skills Boost cloud.google.com/skills 部分免費
Kaggle Learn kaggle.com/learn 完全免費
Microsoft GenAI for Beginners github.com/microsoft/generative-ai-for-beginners 完全免費
Microsoft AI Agents for Beginners github.com/microsoft/ai-agents-for-beginners 完全免費
AWS Skill Builder skillbuilder.aws 大部分免費
Hugging Face LLM Course huggingface.co/learn 完全免費
Fast.ai course.fast.ai 完全免費
李宏毅 ML 2026 speech.ee.ntu.edu.tw/~hylee/ml/2026-spring.php 完全免費
LangChain Academy academy.langchain.com 基礎課免費
Stanford CS224N YouTube 完全免費
MIT 6.S191 introtodeeplearning.com 完全免費

十三、最重要的學習原則

  1. 不要試圖學完所有資源。文章列出的平台加總超過 1000 小時，應選定 1–2 條主線完成。
  2. 先建概念，再學工具。沒有概念基礎時，官方工具課容易變成零散操作。
  3. 用實作驗證學習。後 30 小時的實作比繼續看課更重要。
  4. 根據背景選課。工程師、PM、行銷、企業評估者不應使用同一條路線。
  5. 免費資源已足夠，真正的挑戰是選擇、持續與落地。

十四、推薦起點

若不知道從哪裡開始，可依背景選擇：

  • 完全初學者：AI for Everyone
  • 想學開發：Machine Learning Specialization + DeepLearning.AI 短課
  • 想用 Claude / MCP：Anthropic Academy
  • 想用 ChatGPT 提升工作效率：OpenAI Academy ChatGPT for Work
  • 工程師想快速動手：Microsoft Generative AI for Beginners
  • 想懂開源 LLM：Hugging Face LLM Course
  • 想用中文學原理：李宏毅 ML 2026
  • 想走企業雲端與認證：AWS Skill Builder + AIF-C01