网上每周都有人承诺六周把你变成“AI 工程师”：看几个视频、抄几个 Notebook、调一次 model.fit()，简历上就能写 AI。作者 Gonzalo Romero 在课程开头直接泼了冷水——真到第一份工作，有人递给你一张 4 亿行、8% 标签错误的表，50 毫秒延迟预算，还有安全团队在问你的聊天机器人为什么把客户数据库发给了陌生人，六周课程对此一句话都没有。
他的回答是一门免费成套课程 No Shortcuts，全在 GitHub 上：10 部分、57 模块、173 课、166 个可运行实验，从数学一路写到 GPT 与 Agent。课程 9 月 26 日建仓，介绍文章 10 月 19 日发在 DEV 上，星数目前只有 175——新仓、体量扎实，属于近期成套课程补位。
173 课都讲了什么
- Part 0 入门：岗位名称到底是什么意思、怎么配机器、怎么学；作者建议哪怕有经验也先看这 3 课。
- Part I 基础：Python 与全部必需数学（线性代数、微积分、概率统计、信息论），加一点计算机系统。
- Part II 数据工程：SQL、建模、Spark、编排、流处理与数据治理。
- Part III 经典机器学习：从学习理论到 boosting、预测与推荐系统。
- Part IV 深度学习：先手推反向传播、自己写一个小型自动微分引擎，再碰 PyTorch，最后到 Transformer、生成模型与大规模训练。
- Part V 语言模型：从零手写一个 GPT，用课程自己的文本训练，再用 LoRA 微调、DPO 对齐。
- Part VI AI 工程：RAG、Agent、MCP、评估与 LLM 安全。
- Part VII 强化学习，一路讲到 PPO；Part VIII MLOps 与 ML 系统；Part IX 是 4 个毕业项目与求职笔记。
实验是真的能跑，而且会被 CI 检查
166 个实验都是普通 Python 文件（带 # %% 标记，可在 VS Code、PyCharm 或 Jupyter 里逐格运行），不用 Notebook——作者的理由是 Notebook 有隐藏状态、diff 没法审。每个实验结尾都有断言，CI 会在每次改动后把全部实验跑一遍，课里的数字结论都来自这些实测。作者自估认真做完实验要 1800 小时以上——这门课是“长课慢学”的路子，别指望速成。
门槛比想象中低：不需要 GPU，8GB 内存的电脑基本够用（16GB 更舒服），Part IV 之后的每个实验都有 CPU 能跑的版本，免费 Colab 或 Kaggle 可以补。需要会一门编程语言、不怕终端，高中以上的数学课里都教了。
安全内容是这门课的亮点
作者本职还做渗透测试，所以安全讲得格外多：提示词注入、OWASP LLM Top 10、红队、 对抗式机器学习、ML 供应链与数据平台安全。最后一个毕业项目就是先做一个 RAG Agent，再自己动手攻击它。每模块开头有个自测，通过了可以直接跳去做实验。
怎么开始：GitHub 仓库，克隆后按 README 的步骤建虚拟环境、装依赖、跑实验：
git clone https://github.com/BlueRingsLabs/no-shortcuts.git cd no-shortcuts python -m venv .venv && source .venv/bin/activate pip install -r requirements.txt python tools/run_labs.py --part 1
许可为 CC BY-NC 4.0：可以免费使用、翻译、教学，但要署名作者、不能商用，商用先问作者。173 课由一个人写成，作者自己也说难免有错，发现问题可以在 GitHub 提 issue 或在 DEV 评论。
站内同类可看
想系统学 MoE 训练可以看 Hugging Face 免费放出《终极 MoE 训练手册》：7 万字、55 张交互图，80 万 GPU 小时实测；想直接上手 AI 技能可以看 25 个 Claude Code 技能合集：设计、视频、3D、动效、品牌一次配齐，GitHub 合计约 87.8 万星。
转自 DEV Community 作者 Gonzalo Romero 的文章《A free ML and AI course where you build your own GPT from scratch》，原文链接
