DeepLearning.AI 由人工智能领域泰斗 Andrew Ng 创立，是目前全球最受欢迎的 AI 教育平台之一。其旗下课程不仅涵盖从零基础入门到前沿研究的完整学习路径，而且大量课程完全免费开放。无论你是刚接触机器学习的新手，还是希望掌握 RAG、AI Agent、大模型微调等前沿技术的工程师，DeepLearning.AI 都提供了系统化的免费课程资源。本文将全面梳理 DeepLearning.AI 平台上的免费课程体系，提供详细的学习路径规划和课程选择建议。

一、DeepLearning.AI 平台概览与课程体系

DeepLearning.AI 的课程主要通过两个平台提供：Coursera 上的系统化专项课程（Specialization）和官网上的免费短期课程（Short Courses）。两者各有侧重，适合不同阶段的学习者。

1.1 Coursera 专项课程体系

Coursera 上的课程以专项课程（Specialization）形式组织，每个专项包含 3-5 门课程，需要按顺序学习。虽然证书收费，但所有课程内容都可以免费旁听（Audit）。主要专项包括：

• Deep Learning Specialization（5门课）— Andrew Ng 的招牌课程，从神经网络基础到序列模型和深度学习应用
• Machine Learning Specialization（3门课）— 2022年全新重制版的机器学习入门课程，使用 Python 和 Scikit-Learn
• Natural Language Processing Specialization（4门课）— 由 Younes Bensouda Mourri 和 Łukasz Kaiser 教授主讲
• TensorFlow Developer Professional Certificate（4门课）— 面向 TensorFlow 实战开发者
• AI for Medicine（3门课）— AI 在医学影像、诊断和治疗中的应用
• Generative Adversarial Networks (GANs) Specialization（3门课）— GAN 的理论与实践

1.2 官网免费短期课程（Short Courses）

DeepLearning.AI 官网提供了大量 1-2 小时的免费短期课程，聚焦最新的 AI 技术主题。这些课程完全免费，不需要任何付费，完成后可获得电子证书。截至2026年，已有超过 80 门短期课程，覆盖以下主要方向：

二、从零基础到深度学习工程师：完整学习路径

对于初学者，建议按照以下路径循序渐进地学习。每一步都标注了预计学习时间和先修要求，帮助你合理安排学习节奏。

<img decoding=”async” src=”https://im id=”21_%E7%AC%AC%E4%B8%80%E9%98%B6%E6%AE%B5%EF%BC%9A%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%85%A5%E9%97%A8%EF%BC%884-6%E5%91%A8%EF%BC%89″>2.1 第一阶段：机器学习入门（4-6周）

推荐从 Machine Learning Specialization 开始，这是 Andrew Ng 在 2022 年全面重制的课程，使用 Python 和 Scikit-Learn 而非旧版的 Octave。课程内容涵盖：

• 单变量和多变量线性回归
• 逻辑回归与正则化
• 神经网络基础
• 决策树与随机森林
• 聚类与异常检测
• 协同过滤推荐系统

关键实践代码示例——用 Scikit-Learn 实现简单的分类任务：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
from sklearn.datasets import load_iris

from sklearn.model_selection import train_test_split

from sklearn.ensemble import RandomForestClassifier

from sklearn.metrics import accuracy_score, classification_report




加载数据


iris = load_iris()

X, y = iris.data, iris.target




划分训练集和测试集


X_train, X_test, y_train, y_test = train_test_split(

    X, y, test_size=0.2, random_state=42

)




训练随机森林模型


clf = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=42)

clf.fit(X_train, y_train)




评估


y_pred = clf.predict(X_test)

print(f"Accuracy: {accuracy_score(y_test, y_pred):.4f}")

print(classification_report(y_test, y_pred, target_names=iris.target_names))

2.2 第二阶段：深度学习核心（8-12周）

完成机器学习入门后，进入 Deep Learning Specialization。这是 Andrew Ng 最经典的课程，共 5 门：

1. Neural Networks and Deep Learning — 神经网络基础，从逻辑回归到多层网络，手动实现前向/反向传播
2. Improving Deep Neural Networks — 超参数调优、正则化（Dropout、Batch Norm）、优化算法（Adam、RMSprop）
3. Structuring Machine Learning Projects — ML 系统设计方法论，如何设置训练/验证/测试集，如何分析偏差和方差
4. Convolutional Neural Networks — CNN 原理，从 LeNet 到 ResNet，目标检测（YOLO），风格迁移
5. Sequence Models — RNN、LSTM、GRU，注意力机制，Transformer 入门，语音识别

其中第四门 CNN 课程和第五门 Sequence Models 课程是重点，建议投入额外时间深入理解。下面是用 NumPy 手动实现前向传播的示例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
import numpy as np



def sigmoid(z):

    return 1 / (1 + np.exp(-z))



def initialize_parameters(n_x, n_h, n_y):

    W1 = np.random.randn(n_h, n_x) * 0.01

    b1 = np.zeros((n_h, 1))

    W2 = np.random.randn(n_y, n_h) * 0.01

    b2 = np.zeros((n_y, 1))

    return {"W1": W1, "b1": b1, "W2": W2, "b2": b2}



def forward_propagation(X, params):

    W1, b1 = params["W1"], params["b1"]

    W2, b2 = params["W2"], params["b2"]

    Z1 = np.dot(W1, X) + b1

    A1 = np.tanh(Z1)

    Z2 = np.dot(W2, A1) + b2

    A2 = sigmoid(Z2)

    cache = {"Z1": Z1, "A1": A1, "Z2": Z2, "A2": A2}

    return A2, cache




简单的两层网络前向传播


params = initialize_parameters(n_x=4, n_h=5, n_y=1)

X = np.random.randn(4, 100)  # 100个样本，每个4维

A2, cache = forward_propagation(X, params)

print(f"Output shape: {A2.shape}")

2.3 第三阶段：大模型应用开发（4-6周）

在掌握深度学习基础后，进入大模型应用开发领域。推荐以下免费短期课程组合：

• ChatGPT Prompt Engineering for Developers — Andrew Ng 与 OpenAI 联合出品，学习 Prompt Engineering 的最佳实践
• Building Systems with the ChatGPT API — 如何用 ChatGPT API 构建完整的应用系统
• LangChain for LLM Application Development — LangChain 框架实战
• Building and Evaluating Advanced RAG — 进阶 RAG 系统构建与评估
• AI Agents in LangGraph — 使用 LangGraph 构建 AI Agent

使用 OpenAI API 构建 RAG 系统的示例代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
from openai import OpenAI

import numpy as np



client = OpenAI()



def get_embedding(text, model="text-embedding-3-small"):

    response = client.embeddings.create(input=text, model=model)

    return response.data[0].embedding



def cosine_similarity(a, b):

    return np.dot(a, b) / (np.linalg.norm(a) * np.linalg.norm(b))




构建简单知识库


documents = [

    "深度学习是机器学习的一个分支，使用多层神经网络进行特征学习。",

    "Transformer架构通过自注意力机制实现并行序列建模。",

    "RAG技术通过检索外部知识来增强大语言模型的回答质量。",

]




预计算文档嵌入


doc_embeddings = [get_embedding(doc) for doc in documents]



def rag_query(question, top_k=1):

    query_emb = get_embedding(question)

    scores = [cosine_similarity(query_emb, doc_emb) for doc_emb in doc_embeddings]

    top_idx = np.argsort(scores)[-top_k:][::-1]

    context = documents[top_idx[0]]

    

    response = client.chat.completions.create(

        model="gpt-4o-mini",

        messages=[

            {"role": "system", "content": "根据以下上下文回答问题: " + context},

            {"role": "user", "content": question}

        ]

    )

    return response.choices[0].message.content



answer = rag_query("什么是RAG技术？")

print(answer)

三、DeepLearning.AI 免费短期课程精选详解

DeepLearning.AI 官网的短期课程是该平台最有价值的免费资源之一。以下精选几门最值得学习的课程进行详细介绍。

3.1 ChatGPT Prompt Engineering for Developers

这是 DeepLearning.AI 最火爆的免费课程，由 Andrew Ng 和 OpenAI 的 Isa Fulford 联合讲授。课程虽然只有 1-2 小时，但内容极其精炼实用，涵盖：

• Prompt 编写原则：清晰具体的指令、给模型思考时间
• 迭代优化 Prompt 的方法论
• 摘要提取、情感推断、文本转换等常见任务
• 扩展功能：文本扩写、聊天机器人构建

课程中的核心 Prompt 模式示例——使用结构化指令引导模型思考：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
# 原则一：编写清晰具体的指令

prompt = (

    "请将以下文本总结为一句话，"

    '并以JSON格式输出，包含"summary"字段。'

    f"文本: {text}"

)




原则二：给模型思考时间（Chain of Thought）


prompt_chain = (

    "请按以下步骤操作：\n"

    "1. 判断学生的解答是否正确\n"

    "2. 自己重新解答这道题\n"

    "3. 对比两份解答，得出最终结论\n"

    f"问题: {question}\n"

    f"学生解答: {student_solution}"

)

3.2 Fine-tuning Large Language Models

这门课程教你如何对开源大模型进行微调，由 DeepLearning.AI 和 LlamaIndex 联合出品。课程使用 LoRA（Low-Rank Adaptation）技术，让你在消费级 GPU 上也能完成模型微调。核心内容包括：

• 准备微调数据集的格式和最佳实践
• 使用 Hugging Face Transformers 和 PEFT 库进行 LoRA 微调
• 评估微调效果的方法
• 部署微调后的模型

LoRA 微调的代码框架：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
from transformers import AutoModelForCausalLM, AutoTokenizer

from peft import LoraConfig, get_peft_model, TaskType

from trl import SFTTrainer, SFTConfig




加载基础模型


model_id = "meta-llama/Llama-3.2-1B"

tokenizer = AutoTokenizer.from_pretrained(model_id)

model = AutoModelForCausalLM.from_pretrained(model_id, torch_dtype="auto")




配置 LoRA


lora_config = LoraConfig(

    task_type=TaskType.CAUSAL_LM,

    r=8,                    # LoRA 秩

    lora_alpha=32,          # 缩放系数

    lora_dropout=0.1,

    target_modules=["q_proj", "v_proj"],

)



model = get_peft_model(model, lora_config)

model.print_trainable_parameters()


输出: trainable params: 294,912 || all params: 1,250,043,904 || trainable%: 0.024





训练配置


training_args = SFTConfig(

    output_dir="./lora-finetuned",

    num_train_epochs=3,

    per_device_train_batch_size=4,

    gradient_accumulation_steps=4,

    learning_rate=2e-4,

    logging_steps=10,

    save_strategy="epoch",

)



trainer = SFTTrainer(

    model=model,

    args=training_args,

    train_dataset=dataset,

    processing_class=tokenizer,

)



trainer.train()

3.3 AI Agents in LangGraph

这门课程由 LangChain 创始人 Harrison Chase 主讲，教你使用 LangGraph 框架构建具有状态管理和循环能力的 AI Agent。LangGraph 是 LangChain 团队推出的新一代 Agent 框架，相比传统的 LangChain Chains，它支持更复杂的工作流：

• 状态图（StateGraph）建模 Agent 工作流
• 条件路由和循环执行
• 人机协作（Human-in-the-Loop）模式
• 多 Agent 协作系统

使用 LangGraph 构建简单 Agent 的示例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
from langgraph.graph import StateGraph, END

from typing import TypedDict, Annotated

import operator



class AgentState(TypedDict):

    messages: Annotated[list, operator.add]

    next_step: str



def research_node(state: AgentState):

    # 执行检索任务

    return {"messages": ["检索完成，找到3篇相关文档"], "next_step": "synthesize"}



def synthesize_node(state: AgentState):

    # 综合信息生成回答

    return {"messages": ["基于检索结果生成最终回答"], "next_step": END}



def should_continue(state: AgentState):

    if state["next_step"] == "synthesize":

        return "synthesize"

    return END




构建工作流图


workflow = StateGraph(AgentState)

workflow.add_node("research", research_node)

workflow.add_node("synthesize", synthesize_node)

workflow.set_entry_point("research")

workflow.add_conditional_edges("research", should_continue)

workflow.add_edge("synthesize", END)



app = workflow.compile()

result = app.invoke({"messages": [], "next_step": "research"})

四、按职业方向推荐学习路径

不同职业方向的读者可以根据自身需求选择课程组合，以下提供四条推荐路径：

4.1 AI 应用开发工程师路径

4.2 ML 研究工程师路径

4.3 数据分析师路径

五、免费学习技巧与注意事项

5.1 Coursera 课程免费旁听方法

Coursera 上的 DeepLearning.AI 课程虽然证书收费，但课程视频和部分练习可以免费旁听。具体操作步骤：

1. 在 Coursera 上找到目标课程页面
2. 点击 Enroll 或注册按钮
3. 在付费选项页面，寻找页面底部的 Audit the course 或旁听课程链接
4. 选择旁听后，你可以免费观看所有视频和阅读材料
5. 编程作业需要付费才能提交评分，但你可以自行运行代码进行练习

如果你是学生，还可以申请 Coursera 的 Financial Aid（经济援助），通常一周内即可获批，获得免费证书。

5.2 官网短期课程注册流程

DeepLearning.AI 官网 (deeplearning.ai/short-courses) 的短期课程完全免费，注册流程简单：

1. 访问 deeplearning.ai/short-courses
2. 选择感兴趣的课程，点击 Enroll for Free
3. 使用邮箱或 Google 账号注册
4. 课程平台基于浏览器，部分课程提供云端 Jupyter Notebook 环境
5. 完成后可下载电子证书

5.3 学习建议

• 动手实践优先：每门课程都配有 Jupyter Notebook，务必亲手运行每一行代码，不要只看视频
• 做笔记和总结：建议用自己的话复述课程内容，并尝试向他人解释
• 完成一个项目：学完一个方向后，立即做一个完整项目，比如学完 RAG 课程后搭建一个文档问答系统
• 参与社区：DeepLearning.AI 有活跃的 Discord 社区，可以在其中提问和交流
• 关注新课程：平台每月都会发布新的短期课程，建议订阅邮件通知

六、课程对比与选择建议

面对 DeepLearning.AI 如此多的课程，如何选择最适合自己的？以下从几个维度进行对比分析。

6.1 Deep Learning Specialization vs Machine Learning Specialization

这两门课程经常让初学者困惑。核心区别在于：

• Machine Learning Specialization（2022版）适合零基础，使用 Scikit-Learn 和 TensorFlow，覆盖传统 ML 算法
• Deep Learning Specialization（2017版但持续更新）适合有一定 ML 基础的学员，深入神经网络原理，包含大量手动实现

如果你完全零基础，建议先学 Machine Learning Specialization；如果你已有 ML 基础想深入深度学习，可以直接学 Deep Learning Specialization。

6.2 短期课程 vs 专项课程

短期课程和专项课程各有优势：

七、总结

DeepLearning.AI 是目前最全面、最权威的 AI 免费学习平台之一。从 Andrew Ng 的经典深度学习课程到前沿的 AI Agent 实战短期课程，它为不同水平的学习者提供了清晰的学习路径。关键建议：

• 零基础入门：从 Machine Learning Specialization 开始，打牢 ML 基础
• 深度学习进阶：继续学习 Deep Learning Specialization，理解神经网络原理
• 大模型实战：通过免费短期课程掌握 Prompt Engineering、RAG、Agent 等前沿技术
• 持续学习：订阅 DeepLearning.AI 的更新通知，每月都有新课程上线

最重要的是：不要只是看视频，一定要动手实践。每门课程都配有完整的代码 Notebook，把代码跑起来、修改参数、观察结果，这才是真正学到知识的方式。AI 领域发展迅速，保持学习的习惯比掌握任何单一技术都更加重要。