40 GitHub-репозиториев, которые заменят вам любой платный курс по AI. Полный роадмап от математических основ до написания собственного LLM.

Каждый день в интернете появляются очередные треды “как войти в AI в 2026” с предложением купить курс за 50 к рублей или скачать Notion-шаблон. Между тем настоящие программы обучения в достатке всё это лежат на GitHub. Бесплатно. Структурировано. С кодом, который реально можно запустить.

40 репозиториев по 8 категориям. Полный роадмап от математических основ до написания собственного LLM.

С чего начать, если вы полный ноль
ML Roadmap 2026 (github.com/armankhondker/awesome-ai-ml-resources) – полный роадмап от новичка до продвинутого. Рассказывает, что учить и в каком порядке. Первая ссылка в закладки. 22K+ звёзд.
ML for Beginners от Microsoft (github.com/microsoft/ML-For-Beginners) – 12-недельная программа. Классический ML на Scikit-learn без хайпа вокруг нейросетей, только база. 70K+ звёзд.
Generative AI for Beginners от Microsoft (github.com/microsoft/generative-ai-for-beginners) – 21 урок по созданию реальных приложений: RAG, агенты, function calling. Постоянно обновляется. 85K+ звёзд.
AI Engineering Handbook (github.com/chiphuyen/aie-book) – как индустрия реально строит AI в продакшене. Не академия, а практика от тех, кто шипает. 30K+ звёзд.
Подписывайтесь, публикую уроки по ИИ и показываю на пальцах как выжать из Claude и других агентов Максимум у себя в телеге!

Математическая база

Mathematics for Machine Learning (github.com/dair-ai/Mathematics-for-ML) – подборка книг, статей и видео по линейной алгебре, матанализу, теорвер и статистике. От начального до уровня исследователя. 15K+ звёзд.
Stanford CS229 Cheat Sheets (github.com/afshinea/stanford-cs-229-machine-learning) – сжатые шпаргалки по легендарному курсу Эндрю Нга: supervised, unsupervised, deep learning. Незаменимо на собесах. 18K+ звёзд.
Foundations of ML (github.com/patrickloeber/MLfromscratch) – простые объяснения и визуализации. Для тех, кто хочет сначала понять интуицию, а потом переходить к коду. 30K+ звёзд.
Строим с нуля: самый быстрый способ понять AI
Самый быстрый способ по-настоящему разобраться в AI – строить его самому. Никаких фреймворков, только numpy.

Karpathy’s Zero to Hero (github.com/karpathy/nn-zero-to-hero) – легендарный видеокурс Андрея Карпати. Строим нейросеть, бэкпроп и трансформеры с нуля. Если смотреть что-то одно – смотрите это.
LLMs from Scratch (github.com/rasbt/LLMs-from-scratch) – строим GPT-модель шаг за шагом на чистом PyTorch: токенизация, attention, претрейнинг, файнтюнинг. Запускается на обычном ноутбуке. 55K+ звёзд.
nanoGPT (github.com/karpathy/nanoGPT) – минимальная реализация GPT от Карпати. Меньше 600 строк кода. Тренируем небольшой LLM за несколько часов. 40K+ звёзд.
Homemade Machine Learning (github.com/trekhleb/homemade-machine-learning) – популярные ML-алгоритмы реализованы на Python с объяснением математики. Интерактивные Jupyter-ноутбуки. 23K+ звёзд.
ML From Scratch (numpy) (github.com/eriklindernoren/ML-From-Scratch) – всё от линейной регрессии до глубокого обучения только на numpy. Никаких shortcuts. 21K+ звёзд.
Лучшие экспертные блоги /каналы по ИИ и Мл
Тут лучшие ресурсы, что есть в тг по ИИ, лучший вариант,чтобы держать руки на пульсе, только самое важное (https://t.me/addlist/2Ls-snqEeytkMDgy)
Deep Learning: от учебника до практики
MIT Deep Learning Book (deeplearningbook.org) – Гудфеллоу, Бенджио, Курвилль. Учебник, который есть у каждого ML-инженера. Полная онлайн-версия бесплатная.
fast.ai Course (github.com/fastai/fastbook) – практический курс по DL от Джереми Ховарда. Подход top-down: строите реальные модели уже в первый час. Бесплатно.
Papers Reading Roadmap (github.com/floodsung/Deep-Learning-Papers-Reading-Roadmap) – в каком порядке читать статьи по DL, если вы только начинаете. Сэкономит месяцы. 38K+ звёзд.
d2l.ai – Dive into Deep Learning (github.com/d2l-ai/d2l-en) – интерактивная книга с кодом, математикой и дискуссиями. Используется в 500+ университетах. 22K+ звёзд.
LLM и современный AI
LLM Zoomcamp (github.com/DataTalksClub/llm-zoomcamp) – бесплатный 10-недельный курс по построению LLM-приложений в продакшене: RAG, векторный поиск, оценка, мониторинг. 15K+ звёзд.
Awesome LLM Apps (github.com/Shubhamsaboo/awesome-llm-apps) – запускаемые LLM-проекты: агенты, RAG-пайплайны, голосовые ассистенты, мультимодальные воркфлоу. Учитесь изучая. 35K+ звёзд.
Hugging Face Course (github.com/huggingface/course) – трансформеры, файнтюнинг, NLP. Hands-on с библиотекой, которую реально используют в работе. Бесплатно.
LLM Course (github.com/mlabonne/llm-course) – полный курс с роадмапами, ноутбуками и ресурсами. Обучение, файнтюнинг, RAG, агенты. 50K+ звёзд.
Проекты для портфолио
Теория без практики бесполезна. Вот репозитории с проектами, на которых реально стоит работать.

500+ AI Projects with Code (github.com/ashishpatel26/500-AI-Machine-learning-Deep-learning-Computer-vision-NLP-Projects-with-code) – огромный каталог идей с рабочим кодом: CV, NLP, time series, медицина, production ML. 24K+ звёзд.
ML Zoomcamp (github.com/DataTalksClub/machine-learning-zoomcamp) – бесплатный 4-месячный буткемп. Регрессия, классификация, нейросети, Kubernetes, деплой. 10K+ звёзд.
100 Days of ML Code (github.com/Avik-Jain/100-Days-Of-ML-Code) – структурированный 100-дневный челлендж с примерами кода на каждую тему. Помогает с дисциплиной. 45K+ звёзд.
ML Interview Prep (github.com/khangich/machine-learning-interview) – гайд по собеседованиям в FAANG: программирование, фундамент, system design. 10K+ звёзд.
Специализированные пути
LearnOpenCV (github.com/spmallick/learnopencv) – computer vision от базы OpenCV до YOLO, SAM, диффузионных моделей, робототехники. Самый полный CV-репозиторий. 22K+ звёзд.
Practical RL (github.com/yandexdataschool/Practical_RL) – открытый 10-недельный курс по reinforcement learning. Самая запутанная область AI – сделана практичной. 5K+ звёзд.
NLP Progress (github.com/sebastianruder/NLP-progress) – отслеживаем state-of-the-art в NLP по 20+ задачам. Видно, что реально возможно сегодня. 22K+ звёзд.
Шпаргалки, статьи и курсы
Data Science Cheat Sheets (github.com/FavioVazquez/ds-cheatsheets) – 50+ шпаргалок по Python, R, SQL, ML, DL, статистике. Распечатайте и повесьте на стену. 20K+ звёзд.
ML Glossary (github.com/bfortuner/ml-glossary) – объяснения ML-концепций простым языком. Незаменимо, когда читаете статью и не понимаете термин. 10K+ звёзд.
Most Cited Deep Learning Papers (github.com/terryum/awesome-deep-learning-papers) – фундаментальные статьи сгруппированы по темам: CV, NLP, RL, генеративные модели. Читайте именно их. 25K+ звёзд.
Labml AI – Annotated Papers (github.com/labmlai/annotated_deep_learning_paper_implementations) – статьи с параллельным кодом. Видите математику и сразу видите реализацию. 60K+ звёзд.
ML YouTube Courses (github.com/dair-ai/ML-YouTube-Courses) – прямые ссылки на все крупные ML-курсы на YouTube: Stanford, MIT, DeepMind – всё собрано в одном месте. 17K+ звёзд.
Awesome Machine Learning (github.com/josephmisiti/awesome-machine-learning) – оригинальный репозиторий на 68K звёзд. Фреймворки, библиотеки, ПО по языкам. Если не знаете с чего начать выбор инструмента.
Made With ML (github.com/GokuMohandas/Made-With-ML) – дизайн, разработка, деплой и итерация production ML-приложений. Полный жизненный цикл ML. 40K+ звёзд.
AI Expert Roadmap (github.com/AMAI-GmbH/AI-Expert-Roadmap) – интерактивный роадмап по data science, ML и AI-специализациям. Визуальный, понятный. 30K+ звёзд.
Как не утонуть в этих 40 репозиториях
Не нужно брать всё сразу. Выберите путь под свою цель:

Полный ноль: ML Roadmap 2026 -> ML for Beginners -> Karpathy’s Zero to Hero -> nanoGPT
Хочу построить LLM: LLMs from Scratch -> nanoGPT -> LLM Course -> LLM Zoomcamp
Production ML: AI Engineering Handbook -> Made With ML -> ML Zoomcamp -> fast.ai
Математика: Mathematics for ML -> Stanford CS229 -> MIT Deep Learning Book
Computer Vision: LearnOpenCV -> Awesome Computer Vision -> CS231n notes
Агенты и RAG: Awesome LLM Apps -> LLM Zoomcamp -> Generative AI for Beginners
Собеседования в FAANG: ML Interview Prep -> Super VIP Cheat Sheet -> Data Science Cheat Sheets
Начните с пути для новичков. Проведите там 2 недели. Потом выбирайте специализацию. Не пытайтесь идти сразу по всем – большинство проваливается именно потому, что прыгает между ресурсами, не заканчивая ни одного.

Смотреть видео Карпати не равно стать ML-инженером. Писать код вместе с ним – равно.