5门免费课程，助你从LLM新手进阶为实践者
内容提要
该文推荐五门免费课程，构成从基础到实践的LLM学习路径：Karpathy的《Neural Networks: Zero to Hero》教构建神经网络和GPT；FSDL LLM Bootcamp讲生产架构；斯坦福CS336深入理论和扩展；Hugging Face课程练微调；DeepLearning.AI短课学部署和智能体。总计约80-120小时，建议按顺序或选择性学习，以实践为主。
延伸解读
课程选择逻辑：从机制到部署的线性路径
文章强调，这五门课程并非简单堆砌，而是按“机制理解→生产架构→理论深化→微调实践→部署编排”的线性顺序设计，每门课承接上一门的内容。这种路径设计避免了常见教程“浅尝辄止”或“过时”的问题，帮助学习者建立从底层原理到实际应用的完整知识链。
实践导向：动手构建胜过理论学习
文章反复强调“动手”的重要性，例如Karpathy课程要求从零构建神经网络和GPT，Hugging Face课程则通过LoRA微调和GRPO训练推理模型。作者认为，真正区分“阅读者”和“实践者”的关键在于是否多次运行训练循环、检查损失曲线并调试微调过程，而非仅仅掌握理论概念。
学习路径的灵活性与时间投入
文章提供了每门课程的时间估算（总计约80-120小时），并建议不必按顺序全部完成：可先完整学习Karpathy课程，略读FSDL获取架构直觉，按需选学CS336相关章节，再结合项目实践Hugging Face和DeepLearning.AI课程。这种灵活安排适合不同背景和需求的学习者。
注意课程的时效性与适用性
文章指出，FSDL LLM Bootcamp为2023年录制，部分API引用已过时，但架构原则仍有效；DeepLearning.AI课程免费期可能有限，需查看当前可用性。此外，CS336为研究生水平，难度较高，学习者应根据自身基础选择合适深度，避免因内容过难而影响学习效果。
Q&A
有哪些免费的LLM课程可以从零基础学到实践？
推荐五门免费课程：Karpathy的《Neural Networks: Zero to Hero》学习构建神经网络和GPT；FSDL LLM Bootcamp学习生产架构；斯坦福CS336深入理论和扩展；Hugging Face课程练习微调；DeepLearning.AI短课学习部署和智能体。总计约80-120小时。
Karpathy的《Neural Networks: Zero to Hero》课程内容是什么？
该课程从零开始用Python构建神经网络，包括自动微分引擎micrograd、字符级语言模型makemore，最终实现GPT-2规模的Transformer和BPE tokenizer。需要Python基础和导数知识，共9个讲座，约20-30小时。
FSDL LLM Bootcamp主要讲什么？
该课程覆盖LLM生产环境中的工程问题，包括系统级提示工程、LLMOps、评估管道设计、延迟和成本权衡、用户体验以及LLM-as-a-judge评估。适合已会调用API和写Python的人，约8-10小时。
斯坦福CS336课程有什么特点？
CS336是研究生级别的课程，从零构建语言模型，涵盖数据收集与清洗、tokenizer构建、Transformer架构、训练优化、评估方法、扩展定律等。由Percy Liang和Tatsunori Hashimoto讲授，材料公开，约30-40小时。
Hugging Face LLM课程主要教什么？
该课程覆盖Hugging Face生态，包括Transformer架构、tokenizer、Datasets库、使用TRL进行监督微调、LoRA（PEFT）、以及使用GRPO构建推理模型（类似DeepSeek R1）。重点章节包括数据集整理、SFTTrainer工作流和DPO。
DeepLearning.AI短课程涵盖哪些内容？
这些短课程涵盖部署和编排，包括使用LangGraph构建有状态智能体、vLLM服务、RAG管道设计和语义路由。每门课1-3小时，由框架创建者授课，免费但需查看当前可用性。
如何高效利用这五门课程？
建议先完整学习Karpathy课程，然后略读FSDL获取架构直觉，按需选学CS336相关章节，最后在项目驱动下学习Hugging Face和DeepLearning.AI。关键是动手实践，多次运行训练循环、检查损失曲线和调试。
