आपका AI लर्निंग रोडमैप: 46 विषय, क्रमवार, हर हफ्ते एक

यदि आप 2026 में AI सीखना चाहते हैं और आपको पता नहीं है कि कहाँ से शुरू करें, तो यह पेज आपके लिए है।

इंटरनेट AI सलाह से भरा पड़ा है। इसमें से अधिकांश या तो है:

1. $2,000 के कोर्स का सेल्स पिच
2. 100 लिंक की एक सूची जिसमें कोई क्रम नहीं है
3. PhD स्तर की पाठ्यपुस्तक जो पहले पेज पर ही आपको डरा देती है
4. AGI के बारे में एक हाइप रील जो आपको कुछ भी व्यावहारिक नहीं बताती

आपको इनमें से किसी की ज़रूरत नहीं है। आपको एक क्रम चाहिए। आपको यह जानना होगा कि पहले क्या सीखें, किस पर क्या आधारित है, आप क्या छोड़ सकते हैं, और कितनी गहराई तक जाना है।

यह रोडमैप वही करता है। यह वह क्रम है जिसमें मैं AI सीखने की सलाह देता हूँ, पूरी तरह से शुरुआत से लेकर उस व्यक्ति तक जो वास्तविक AI उत्पाद बना और शिप कर सकता है। प्रत्येक विषय पर एक लेख होगा जो यहाँ प्रकाशित होगा, प्रति सप्ताह एक। इस पेज को बुकमार्क करें। इस पर वापस आते रहें। लिंक लेख प्रकाशित होने पर लाइव हो जाएंगे।

कोई पूर्वापेक्षा नहीं मानी गई है। कोई CS डिग्री आवश्यक नहीं है। कोई गणित का डर नहीं।

यह कैसे काम करता है

शुरू करने से पहले ये हैं मूल नियम:

1. विषयों को क्रम से करें। प्रत्येक पिछले पर आधारित है। पहले सप्ताह में LLMs पर कूदना ऐसा है जैसे छत से घर बनाना शुरू करना।
2. प्रति सप्ताह एक विषय गति है। यह आपको पढ़ने, कोड करने और वास्तव में कुछ बनाने का समय देता है। ट्यूटोरियल को बिना रुके पढ़ना सीखना नहीं है।
3. प्रत्येक लेख में व्यावहारिक अभ्यास करें। न्यूरल नेटवर्क के बारे में पढ़ना और एक न लिखना ऐसा है जैसे तैराकी के बारे में पढ़ना बिना भीगे।
4. आपको अंत तक जाने की ज़रूरत नहीं है। यदि आप केवल AI साक्षरता चाहते हैं, तो Phase 3 के बाद रुक जाएँ। यदि आप LLM ऐप बनाना चाहते हैं, तो Phase 9 तक जाएँ। आप तय करें।
5. पूरी श्रृंखला की कुल लंबाई: ~107,000 शब्द। यह लंबा लगता है, लेकिन यह औसत पाठ्यपुस्तक से छोटा है, और प्रत्येक लेख अपने आप में पूरा है।

एक नज़र में 12 चरण

12 चरण हैं, पूरी तरह से शुरुआत से लेकर प्रोडक्शन-रेडी प्रैक्टिशनर तक समूहीकृत। गहराई में जाने से पहले यहाँ बड़ी तस्वीर है।

चरण

विषय क्षेत्र

किसे चाहिए

लेख

0

मानसिकता और अभिविन्यास

सभी को

3

1

पूर्वापेक्षाएँ (Python, गणित, लाइब्रेरीज़)

हर कोई जो बनाना चाहता है

4

2

डेटा (स्रोत, सफाई, EDA)

हर कोई जो बनाना चाहता है

5

3

शास्त्रीय मशीन लर्निंग

सभी को

6

4

डीप लर्निंग फाउंडेशन

कोई भी जो शास्त्रीय ML से आगे जाता है

5

5

कोर न्यूरल आर्किटेक्चर (CNNs, RNNs, Transformers)

कोई भी जो DL के साथ बनाता है

3

6

NLP और LLMs

2026 में अधिकांश लोग

5

7

अधिक DL डोमेन (विज़न, जनरेशन मॉडल, स्पीच, RL)

अपने लिए प्रासंगिक चुनें

4

8

AI एजेंट और वास्तविक दुनिया के अनुप्रयोग

बिल्डर्स

3

9

MLOps और प्रोडक्शन

कोई भी जो वास्तविक उत्पाद शिप करता है

4

10

जिम्मेदार AI और बड़ी तस्वीर

सभी को

4

11

वर्तमान बने रहना और विशेषज्ञता

दीर्घकालिक विकास

5

आपको Phase 7-11 में हर एक विषय करने की ज़रूरत नहीं है। Phase 6 के बाद आप शाखा कर सकते हैं। लेकिन Phase 0-6 मुख्य हैं।

3 मील का पत्थर प्रोजेक्ट

रास्ते में तीन बिंदुओं पर, आप एक वास्तविक प्रोजेक्ट बनाएंगे जो उस बिंदु तक सब कुछ एक साथ जोड़ता है। ये आपके पोर्टफोलियो के टुकड़े हैं।

मील का पत्थर

कब मिलता है

आप क्या बनाते हैं

मील का पत्थर 1

Phase 3 का अंत

एंड-टू-एंड टेबुलर ML पाइपलाइन (डेटा सफाई + EDA + शास्त्रीय मॉडल) - जैसे, टाइटैनिक सर्वाइवल प्रेडिक्टर या हाउसिंग प्राइस मॉडल

मील का पत्थर 2

Phase 5 का अंत

PyTorch में स्क्रैच से प्रशिक्षित एक न्यूरल नेटवर्क - या तो एक इमेज क्लासिफायर (CNN) या टेक्स्ट क्लासिफायर

मील का पत्थर 3

Phase 9 का अंत

FastAPI बैकएंड और सरल UI के साथ एक तैनात LLM-संचालित RAG चैटबॉट, इंटरनेट पर लाइव

यदि आप ये तीन प्रोजेक्ट पूरे करते हैं, तो आप अब "AI सीख" नहीं रहे हैं। आप AI कर सकते हैं।

चरण दर चरण, लेख दर लेख

नीचे पूरी सूची है। प्रत्येक लेख लाइव होने पर यहाँ लिंक किया जाएगा। इस पेज को बुकमार्क करें और साप्ताहिक जाँच करें।

चरण 0: मानसिकता और अभिविन्यास (यहाँ से शुरू करें)

सप्ताह 1-3। सभी यहाँ से शुरू करते हैं, कोई अपवाद नहीं। यहाँ हम हाइप को मारते हैं, शब्दों को परिभाषित करते हैं, और अपेक्षाएँ निर्धारित करते हैं।

1. सप्ताह 1: AI, ML, DL, Generative AI, AGI: आखिरकार, एक गाइड जो इन्हें अलग बताती है - अब लाइव
2. सप्ताह 2: [क्या आपको 2026 में AI सीखना चाहिए? ईमानदार जवाब, आप कौन हैं इस पर निर्भर करता है] [जल्द ही]
3. सप्ताह 3: [ट्यूटोरियल हेल में एक साल बर्बाद किए बिना AI कैसे सीखें] [जल्द ही]

चरण 1: पूर्वापेक्षाएँ (वह नींव जो आपको वास्तव में चाहिए)

सप्ताह 4-7। आप Python के बिना AI नहीं सीखेंगे। लेकिन आपको पूरा Python नहीं चाहिए। हम ठीक वही उपसमूह कवर करेंगे जो आपको चाहिए, वह गणित जो आप वास्तव में उपयोग करेंगे, और वे तीन लाइब्रेरीज़ जो सब कुछ अनलॉक करती हैं।

1. सप्ताह 4: Python का आपका पहला सप्ताह: AI को छूने से पहले आपको केवल इतना चाहिए [जल्द ही]
2. सप्ताह 5: NumPy, Pandas, Matplotlib: वे तीन लाइब्रेरीज़ जो हर AI प्रोजेक्ट को अनलॉक करती हैं [जल्द ही]
3. सप्ताह 6: AI के लिए आपको वास्तव में जितना गणित चाहिए - समझाया गया जैसे आपने कभी कैलकुलस क्लास न ली हो [जल्द ही]
4. सप्ताह 7: मॉडल चुनने से पहले, सही सवाल पूछना सीखें [जल्द ही]

चरण 2: डेटा - AI का ईंधन

सप्ताह 8-12। 80% AI काम डेटा का काम है। यह वह चरण है जिसे अधिकांश पाठ्यक्रम छोड़ देते हैं, और यही कारण है कि उनके छात्र वास्तविक प्रोजेक्ट में असफल होते हैं।

1. सप्ताह 8: डेटा नया तेल है - लेकिन अधिकांश शुरुआती नहीं जानते कि यह वास्तव में कैसा दिखता है [जल्द ही]
2. सप्ताह 9: अपने AI प्रोजेक्ट के लिए वास्तविक डेटा कहाँ से प्राप्त करें (बिना एक पैसा दिए) [जल्द ही]
3. सप्ताह 10: डेटा सफाई क्यों AI इंजीनियर के 80% समय खाती है - और इसे सही तरीके से कैसे करें [जल्द ही]
4. सप्ताह 11: एक्सप्लोरेटरी डेटा एनालिसिस: वह कदम जो बताता है कि आपका प्रोजेक्ट काम करेगा भी या नहीं [जल्द ही]
5. सप्ताह 12: फीचर इंजीनियरिंग: कच्चे डेटा को ऐसी चीज़ में बदलने की कला जिससे एक मॉडल वास्तव में सीख सके [जल्द ही]

चरण 3: शास्त्रीय मशीन लर्निंग

सप्ताह 13-18। डीप लर्निंग से पहले ML था, और अधिकांश वास्तविक दुनिया का प्रोडक्शन AI अभी भी शास्त्रीय ML है। आप इसे छोड़ नहीं सकते। यदि आप करते हैं, तो आप यह नहीं समझ पाएंगे कि डीप लर्निंग विशेष क्यों है, या इसका उपयोग कब नहीं करना है।

1. सप्ताह 13: एक मशीन वास्तव में "सीख" कैसे लेती है? हर AI मॉडल के पीछे मुख्य विचार [जल्द ही]
2. सप्ताह 14: आपका पहला मशीन लर्निंग मॉडल: लीनियर रिग्रेशन, लाइन दर लाइन समझाया गया [जल्द ही]
3. सप्ताह 15: दुनिया को वर्गीकृत करना: लॉजिस्टिक रिग्रेशन और वे मीट्रिक जो झूठ नहीं बोलते [जल्द ही]
4. सप्ताह 16: शास्त्रीय ML टूलबॉक्स: 5 एल्गोरिदम जो हर AI प्रैक्टिशनर को दिल से जानने चाहिए [जल्द ही]
5. सप्ताह 17: जो मॉडल एक साथ वोट करते हैं वे एक साथ क्यों जीतते हैं: रैंडम फ़ॉरेस्ट, XGBoost, और एन्सेम्बल की शक्ति [जल्द ही]
6. सप्ताह 18: बायस, वेरिएंस, और आपका मॉडल टेस्ट सेट पर गुप्त रूप से धोखा क्यों दे रहा है [जल्द ही]

🏁 मील का पत्थर 1 प्रोजेक्ट समय। एक पूर्ण टेबुलर ML पाइपलाइन एंड-टू-एंड बनाएं।

चरण 4: डीप लर्निंग फाउंडेशन

सप्ताह 19-23। अब हम गहराई में जाते हैं। हम एकल न्यूरॉन से शुरू करेंगे, पूर्ण न्यूरल नेटवर्क तक निर्माण करेंगे, और सीखेंगे कि वे क्यों काम करते हैं, क्यों विफल होते हैं, और उन्हें ठीक से कैसे प्रशिक्षित करें।

1. सप्ताह 19: डीप लर्निंग ने सब कुछ क्यों बदल दिया - और जब आपको इसके बजाय अभी भी शास्त्रीय ML का उपयोग करना चाहिए [जल्द ही]
2. सप्ताह 20: न्यूरल नेटवर्क बिना एक भी समीकरण के समझाया गया (ठीक है, लगभग) [जल्द ही]
3. सप्ताह 21: बैकप्रोपेगेशन: वह कैलकुलस ट्रिक जो हर न्यूरल नेटवर्क को सिखाती है [जल्द ही]
4. सप्ताह 22: इस सप्ताह के अंत में अपना पहला न्यूरल नेटवर्क बनाएं - PyTorch की 50 लाइनों में [जल्द ही]
5. सप्ताह 23: आपका न्यूरल नेटवर्क प्रशिक्षित क्यों नहीं होगा - और 7 ट्रिक जो लगभग सब कुछ ठीक करती हैं [जल्द ही]

चरण 5: मुख्य न्यूरल नेटवर्क आर्किटेक्चर

सप्ताह 24-26। तीन बड़े आर्किटेक्चर परिवार: विज़न के लिए CNN, सीक्वेंस इतिहास के लिए RNN, और ट्रांसफ़ॉर्मर - वह आविष्कार जिसने 2017 में सब कुछ बदल दिया और हर आधुनिक LLM को शक्ति प्रदान करता है।

1. सप्ताह 24: कंप्यूटर ने देखना कैसे सीखा: कन्वोल्यूशनल न्यूरल नेटवर्क के लिए एक विज़ुअल गाइड [जल्द ही]
2. सप्ताह 25: वह आर्किटेक्चर जिसने भाषा को समझने की कोशिश की - और यह लगभग क्यों काम कर गया: RNN और LSTM [जल्द ही]
3. सप्ताह 26: अटेंशन इज़ ऑल यू नीड: 2017 का पेपर जिसने AI को फिर से लिखा - सादे अंग्रेजी में समझाया गया [जल्द ही]

🏁 मील का पत्थर 2 प्रोजेक्ट समय। PyTorch में स्क्रैच से एक CNN या छोटा ट्रांसफ़ॉर्मर प्रशिक्षित करें।

चरण 6: प्राकृतिक भाषा प्रसंस्करण और LLM

सप्ताह 27-31। यह वह चरण है जिसकी 2026 में सभी को परवाह है। हम शब्द गणना से आपका अपना RAG चैटबॉट बनाने तक जाएंगे।

1. सप्ताह 27: मशीनों को पढ़ना सिखाना: बैग ऑफ़ वर्ड्स से वर्ड एम्बेडिंग तक [जल्द ही]
2. सप्ताह 28: ट्रांसफ़ॉर्मर से पहले: कैसे LSTM ने मशीनों को भाषा के लिए एक (क्षणिक) स्मृति दी [जल्द ही]
3. सप्ताह 29: BERT, GPT, और ट्रांसफ़ॉर्मर फैमिली ट्री: कौन क्या करता है, और क्यों [जल्द ही]
4. सप्ताह 30: आपको GPT-4 का उपयोग करने के लिए इसे प्रशिक्षित करने की आवश्यकता नहीं है: Hugging Face के लिए एक व्यावहारिक गाइड [जल्द ही]
5. सप्ताह 31: एक LLM के अंदर: चैट-स्केल मॉडल वास्तव में कैसे काम करते हैं, प्री-ट्रेनिंग से RLHF तक [जल्द ही]

चरण 7: अधिक डीप लर्निंग डोमेन

सप्ताह 32-35। वे चुनें जो आपके लिए मायने रखते हैं। आपको सभी चार की आवश्यकता नहीं है।

1. सप्ताह 32: 'बिल्ली या कुत्ता' से परे: ऑब्जेक्ट डिटेक्शन, सेगमेंटेशन, और विज़न ट्रांसफ़ॉर्मर दुनिया को कैसे देखते हैं [जल्द ही]
2. सप्ताह 33: शोर से कला तक: जनरेटिव AI का एक दौरा - ऑटोएनकोडर, GAN, और डिफ्यूज़न क्रांति [जल्द ही]
3. सप्ताह 34: मशीनें कैसे सुनती हैं: स्पेक्ट्रोग्राम से Whisper तक, AI जो सब कुछ ट्रांसक्राइब करता है [जल्द ही]
4. सप्ताह 35: परीक्षण और त्रुटि से सीखना: Q-टेबल से PPO तक रीइन्फोर्समेंट लर्निंग [जल्द ही]

चरण 8: AI एजेंट और उन्नत अनुप्रयोग

सप्ताह 36-38। 2026 में वर्तमान सीमा: एजेंट जो उपकरणों का उपयोग करते हैं, योजना बनाते हैं, और दुनिया में कार्य करते हैं।

1. सप्ताह 36: AI की अगली लहर: एजेंट क्या हैं, वे उपकरणों का उपयोग कैसे करते हैं, और आज दोपहर एक कैसे बनाएं [जल्द ही]
2. सप्ताह 37: AI अभी वास्तव में कहाँ अंतर ला रहा है: स्वास्थ्य सेवा, वित्त, विज्ञान, और वास्तविक दुनिया की सीमा [जल्द ही]
3. सप्ताह 38: जब AI एक ही समय में देखता, सुनता और पढ़ता है: मल्टीमॉडल मॉडल का उदय [जल्द ही]

चरण 9: प्रोडक्शन, टूलिंग और MLOps

सप्ताह 39-42। वह चरण जो ट्यूटोरियल-फॉलोअर्स को उन लोगों से अलग करता है जो वास्तव में AI उत्पाद शिप करते हैं। अधिकांश ऑनलाइन पाठ्यक्रम इसे पूरी तरह से छोड़ देते हैं।

1. सप्ताह 39: आपका नोटबुक मॉडल कोई उत्पाद नहीं है: AI शिप करने के लिए वास्तव में क्या चाहिए [जल्द ही]
2. सप्ताह 40: एंटरप्राइज़ बज़वर्ड के बिना MLOps: हममें से बाकी के लिए वर्जनिंग, ट्रैकिंग और पुनरुत्पादन [जल्द ही]
3. सप्ताह 41: वास्तविक उपयोगकर्ताओं के लिए AI मॉडल कैसे तैनात करें (DevOps बर्नआउट के बिना) [जल्द ही]
4. सप्ताह 42: RAG से प्रोडक्शन तक: वास्तविक LLM ऐप बनाना जो आपको शर्मिंदा न करें [जल्द ही]

🏁 मील का पत्थर 3 प्रोजेक्ट समय। अपना RAG चैटबॉट लाइव तैनात करें।

चरण 10: जिम्मेदार AI और बड़ी तस्वीर

सप्ताह 43-46। AI सिर्फ कोड नहीं है। यह वास्तविक दुनिया को छूता है। आपको बायस, सुरक्षा, व्याख्यात्मकता और व्यापक संदर्भ को समझने की आवश्यकता है।

1. सप्ताह 43: आपके मॉडल की राय है: बायस, फेयरनेस, और 'अच्छा डेटा' कभी पर्याप्त क्यों नहीं है [जल्द ही]
2. सप्ताह 44: AI बनाना जो चीज़ें न तोड़े: सुरक्षा, अलाइनमेंट, और AI में अब तक की सबसे कठिन समस्या [जल्द ही]
3. सप्ताह 45: ब्लैक बॉक्स समस्या: AI निर्णयों को कैसे समझाएं जब मॉडल खुद नहीं जानता [जल्द ही]
4. सप्ताह 46: AI और बाकी दुनिया: नौकरियां, रचनात्मकता, जलवायु, और वे सवाल जिनका कोई ट्यूटोरियल जवाब नहीं देगा [जल्द ही]

चरण 11: वर्तमान बने रहना और गहराई में जाना

सप्ताह 47+। AI सीखना खत्म नहीं होता। मुख्य 46 सप्ताह के बाद, यहाँ बताया गया है कि आप कैसे बढ़ते रहते हैं।

1. PhD के बिना AI पेपर कैसे पढ़ें (और वास्तव में इसे समझें) [जल्द ही]
2. AI पोर्टफोलियो जो वास्तव में आपको इंटरव्यू दिलाता है (खिलौना प्रोजेक्ट नहीं जो कोई नहीं पढ़ता) [जल्द ही]
3. आप AI अकेले नहीं सीख रहे: समुदाय, सम्मेलन, और इंटरनेट के कोने जो शामिल होने लायक हैं [जल्द ही]
4. आप सारा AI नहीं सीख सकते - यहाँ बताया गया है कि अपने लिए उपयुक्त विशेषज्ञता कैसे चुनें [जल्द ही]
5. एकमात्र AI कौशल जो 5 वर्षों में अप्रचलित नहीं होगा: सीखना सीखना [जल्द ही]

मोटा समय अनुमान

यह कोई दौड़ नहीं है। नीचे दी गई तालिका आपको यथार्थवादी समयसीमा देती है जो इस बात पर निर्भर करता है कि आपके पास कितना समय है।

प्रति सप्ताह समय प्रतिबद्धता

मुख्य (Phase 0-6) खत्म करने का समय

सभी 11 चरण खत्म करने का समय

5-10 घंटे (गंभीर साइड प्रोजेक्ट)

~6 महीने

~1 वर्ष

10-15 घंटे (समर्पित)

~4 महीने

~8 महीने

30+ घंटे (पूर्णकालिक)

~6 सप्ताह

~3 महीने

निरंतरता रटने से बेहतर है। हर दिन 30 मिनट, लगातार, रविवार को 8 घंटे और बाकी सप्ताह कुछ नहीं से बेहतर है।

अंत तक आप क्या कर पाएंगे

यदि आप मुख्य चरण (0-6) और Phase 9 पूरा करते हैं, तो आप यह कर पाएंगे:

• वास्तविक AI और मार्केटिंग हाइप के बीच अंतर बताना
• डेटा विश्लेषण और ML के लिए Python कोड लिखना
• वास्तविक दुनिया के डेटासेट को साफ, एक्सप्लोर और तैयार करना
• शास्त्रीय ML मॉडल बनाना, प्रशिक्षित करना, मूल्यांकन करना और ट्यून करना
• समझना कि न्यूरल नेटवर्क और ट्रांसफ़ॉर्मर कैसे काम करते हैं
• अपने स्वयं के कार्यों के लिए पूर्व-प्रशिक्षित भाषा मॉडल को फाइन-ट्यून करना
• अपने स्वयं के दस्तावेज़ों पर RAG चैटबॉट बनाना
• FastAPI के साथ मॉडल को API के रूप में तैनात करना
• काम करने वाले AI उत्पाद शिप करना
• AI समाचार और पेपर को आलोचनात्मक दृष्टि से पढ़ना
• जानना कि आप क्या नहीं जानते

यह एक जूनियर ML/AI इंजीनियर के रूप में नौकरी पाने, अपने वर्तमान काम के लिए उपयोगी AI उपकरण बनाने, या यदि आपकी रुचि है तो शोध में जारी रखने के लिए पर्याप्त है।

इस पेज का उपयोग कैसे करें

1. इसे बुकमार्क करें। यह आपकी विषय-सूची है।
2. सप्ताह 1 से शुरू करें। छोड़ें नहीं।
3. साप्ताहिक जाँच करें। नए लेख हर सप्ताह लाइव होते हैं। लिंक ऊपर दिखाई देंगे।
4. अभ्यास करें। पढ़ना सीखना नहीं है।
5. तीन मील के पत्थर प्रोजेक्ट बनाएं। वे आपका प्रमाण हैं कि आप वास्तव में यह कर सकते हैं।

यदि आप कभी खोया हुआ महसूस करें, तो यहाँ वापस आएँ। रास्ता नहीं बदलता। उपकरण आएंगे और जाएंगे (नए फ्रेमवर्क, नए मॉडल, नए स्टार्टअप), लेकिन इस रोडमैप में मूल सिद्धांत अभी भी पाँच साल बाद भी मायने रखेंगे।

सप्ताह 1 में मिलते हैं।

🔔 AI में आगे रहें

यदि आप इस रोडमैप का अनुसरण कर रहे हैं और सीखते समय हर सप्ताह व्यावहारिक AI उपकरण चाहते हैं, तो मुफ्त ByteBuilders न्यूज़लेटर की सदस्यता लें। हर अंक आपको देता है:

• 1000+ AI प्रॉम्प्ट जिन्हें आप कॉपी करके आज ही उपयोग कर सकते हैं
• व्यावहारिक AI उपकरण, परीक्षित और समझाए गए
• ऑटोमेशन वर्कफ़्लो जो आपके घंटे बचाते हैं
• काम और सीखने के लिए उत्पादकता उपयोग के मामले
• आपके कौशल को तेज रखने के लिए क्यूरेटेड AI संसाधन

इस रोडमैप का अनुसरण करने वाले हजारों बिल्डर्स और सीखने वालों से जुड़ें:

++ByteBuilders मुफ्त सदस्यता लें →++