Isinalin sa Tagalog ang README na ito. Nananatiling pangunahing sanggunian ang README sa Ingles.
Ipatupad ang mga panloob na bahagi ng modelo, retrieval pipeline, at runtime ng agent. Subukan ang mga ito, suriin ang mga pagkabigo, at panatilihin ang code at resulta ng pagsusuri.
**[Magsimulang matuto](https://aiengineeringfromscratch.com/lesson?path=phases/00-setup-and-tooling/01-dev-environment)** · **[Pumili ng landas](#learning-routes)** · **[Subukan ang isang lab](#interactive-lab)** · **[Bumuo ng proyekto](#project-challenges)** · **[Tingnan ang kurikulum](#contents)**
Libre, open source, lisensiyang MIT. Matuto sa websayt, kasama ang isang coding agent, o sa pagpapatakbo ng lokal na code.
> 523 aralin. 20 yugto. Python, TypeScript, Rust, Julia.
## Mga landas sa pag-aaral
| Landas | Unang aralin |
|---|---|
| Mga pundasyon ng modelo | [Paghahanda at mga tool](https://aiengineeringfromscratch.com/lesson?path=phases/00-setup-and-tooling/01-dev-environment) |
| Mga sistemang LLM | [Pagdidisenyo ng prompt](https://aiengineeringfromscratch.com/lesson?path=phases/11-llm-engineering/01-prompt-engineering) |
| Mga agent at paghahatid | [Ang loop ng agent](https://aiengineeringfromscratch.com/lesson?path=phases/14-agent-engineering/01-the-agent-loop) |
[Ihambing ang mga landas sa karera](https://aiengineeringfromscratch.com/learning-paths.html) · [Mga kinakailangan at oras ng pag-aaral](#study-guide)
### Pagbaba ayon sa gradient
Dalawampung panimulang punto ang sumusunod sa gradient descent sa isang quadratic loss. Ipinapakita ng graph ang kanilang mga posisyon at mean loss pagkatapos ng bawat update.
[Ayusin ang learning rate sa aralin](https://aiengineeringfromscratch.com/lesson?path=phases/01-math-foundations/08-optimization#loss-landscape-visualization) · [Ihambing ang GD, momentum, at Adam sa code](../../phases/01-math-foundations/08-optimization/code/optimizers.py)
### Mga proyekto
Tatlong proyekto na may panimulang code ayon sa yugto, sangguniang implementasyon, at lokal na tagamarka. Patakbuhin ang mga command mula sa ugat ng repository matapos ang [paghahanda](#local-setup). Babagsak ang panimulang code hanggang maipatupad mo ang mga yugto.
01 · Laboratoryo ng Pagsusuri sa Retrieval · Python · Mga metrika ng ranggo at pagsusuri ng regression
Pinapahusay ng kandidatong sistema ang mean NDCG habang ibinababa ng isang query ang ranggo ng pinakamahalagang ebidensiya nito. Bumuo ng paghahambing bawat query na nag-uulat ng regression at maaaring magpabagsak sa pagsusuri bago ang release.
Gamitin ang Python 3.10+. Balikan ang [RAG](../../phases/11-llm-engineering/06-rag/docs/en.md) at [pagsusuri ng modelo](../../phases/02-ml-fundamentals/09-model-evaluation/docs/en.md). Ipatupad ang pag-validate ng ranggo, precision at recall, mga metrikang sensitibo sa ranggo, at pagkatapos ang paghahambing ng mga sistema.
```bash
python3 scripts/project_test.py retrieval-evaluation-lab \
--init learning-artifacts/retrieval-evaluation-lab
python3 scripts/project_test.py retrieval-evaluation-lab \
--stage 1 --path learning-artifacts/retrieval-evaluation-lab --strict
python3 scripts/project_test.py retrieval-evaluation-lab \
--all --path learning-artifacts/retrieval-evaluation-lab --strict
```
**Panatilihin:** isang nauulit na paghahambing na may pagbabago bawat query at mga hatol na ginamit sa pagmamarka. Inilalarawan ng mga metrika ang mga hatol na iyon; hindi nila pinatutunayan ang kawastuhan ng sagot.
[Simulan ang proyekto](https://aiengineeringfromscratch.com/project.html?id=retrieval-evaluation-lab) · [Suriin ang sanggunian](../../projects/retrieval-evaluation-lab/solution/) · [Patakbuhin gamit ang sarili mong mga input](../../projects/retrieval-evaluation-lab/README.md#run-with-your-own-inputs)
02 · Debugger ng Trace ng Agent · TypeScript · Pag-parse ng trace at timing
Tumatagal pa rin nang 100 ms ang ibinigay na trace, ngunit tumataas nang 200 ang kabuuang paggamit ng token at nagsisimulang mabigo ang isang span. Ihiwalay ang nagsasabay na gawain ng mga child span sa oras ng pagpapatakbo ng parent, saka gumawa ng ulat na nagpapakita ng pagbabago.
Gamitin ang Node.js 22.18+ at Python 3 para sa tagamarka. Ipatupad ang JSONL parsing, pag-validate ng parent, aritmetika ng interval, at pagkatapos ang masusuring timeline.
```bash
python3 scripts/project_test.py agent-trace-debugger \
--init learning-artifacts/agent-trace-debugger
python3 scripts/project_test.py agent-trace-debugger \
--stage 1 --path learning-artifacts/agent-trace-debugger --strict
python3 scripts/project_test.py agent-trace-debugger \
--all --path learning-artifacts/agent-trace-debugger --strict
```
**Panatilihin:** ang input trace, HTML timeline, at JSON regression report. Panatilihin ang eksklusibong bilang ng token bawat span upang hindi mabilang nang dalawang beses ang paggamit ng parent at child.
[Simulan ang proyekto](https://aiengineeringfromscratch.com/project.html?id=agent-trace-debugger) · [Suriin ang sanggunian](../../projects/agent-trace-debugger/solution/) · [Suriin ang timing nang interaktibo](https://aiengineeringfromscratch.com/project.html?id=agent-trace-debugger&stage=03-timing)
03 · Firewall ng Pagtawag sa Tool · Rust · Pagsusuri ng papel at mga resibo ng pag-apruba
Nagbabago ang isang pagsulat pagkatapos suriin, o muling ginagamit ang isang pag-apruba. I-validate ang envelope ng tawag, suriin ang papel at path ng tumatawag, saka gamitin ang isang pag-aprubang nakatali sa eksaktong request at nilalaman.
Gamitin ang Rust at Python 3.10+. Balikan ang [disenyo ng schema ng tool](../../phases/13-tools-and-protocols/05-tool-schema-design/docs/en.md) at [mga hangganan ng seguridad](../../phases/17-infrastructure-and-production/25-security-secrets-audit/docs/en.md). Ang tumatawag na application ang nagbibigay ng pagkakakilanlan; nagmumungkahi lamang ng operasyon ang modelo.
```bash
python3 scripts/project_test.py tool-call-firewall \
--init learning-artifacts/tool-call-firewall
python3 scripts/project_test.py tool-call-firewall \
--stage 1 --path learning-artifacts/tool-call-firewall --strict
python3 scripts/project_test.py tool-call-firewall \
--all --path learning-artifacts/tool-call-firewall --strict
```
**Panatilihin:** isang audit receipt na nagpapakita ng hiniling na operasyon at pasya ng patakaran. Isang beses lang magagamit ang bawat pag-apruba sa loob ng isang invocation; hindi nagbibigay ang proyektong ito ng persistent authorization o sandbox ng operating system.
[Simulan ang proyekto](https://aiengineeringfromscratch.com/project.html?id=tool-call-firewall) · [Suriin ang sanggunian](../../projects/tool-call-firewall/solution/) · [Suriin ang mga hangganan ng pag-apruba](https://aiengineeringfromscratch.com/project.html?id=tool-call-firewall&stage=03-consume-a-request-bound-approval-once)
[Tingnan ang lahat ng proyekto](https://aiengineeringfromscratch.com/projects.html) · [Gabay sa pagsasanay para sa karera](../../learning-paths/CAREER-PRACTICE.md)
## Piliin kung paano matututo
### Sa websayt
Buksan ang anumang kumpletong aralin sa [aiengineeringfromscratch.com](https://aiengineeringfromscratch.com) o buksan ang isang yugto sa [Mga nilalaman](#contents). Walang setup o pag-clone.
### Kasama ang gabay na AI
Kung naka-install na ang Node.js, `npx`, at isang coding agent na sumusuporta sa skill, maaari nang maging tutor ang coding agent mo. Hindi kailangan ng clone ng repository upang i-install o basahin ang tutor. Kailangan ng `python3` ang mga napapatakbong lab sa mga nakatuong landas. Kailangan din ng mga lab ng Agent Skills ang napiling host at saklaw ng skill sa user o proyekto na maaaring sulatan.
```bash
npx skills add rohitg00/ai-engineering-from-scratch
```
Piliin ang host at saklaw kapag tinanong ng installer. Gamitin ang `start-learning` sa Codex, `/start-learning` sa Claude Code, o hilingin sa host na gamitin ang skill ayon sa pangalan.
Pag-setup ng gabay at mga utos ng host
Suriin muna ang mga lokal na kinakailangan:
```bash
node --version
npx --version
python3 --version
```
Nagsusulat ang `skills` sa host at saklaw na pinili sa pag-install, gaya ng `.claude/skills/`, `.cursor/skills/`, `.codex/skills/`, o ibang suportadong folder ng skill. Tiyaking natutuklasan ng napiling host ang eksaktong destinasyong iyon.
Ang host ang nagtatakda ng sintaks ng pagtawag, hindi ang portable na format na `SKILL.md`:
| Host na aplikasyon | Simulan ang kurso | Simulan ang Model Context Protocol (MCP) | Simulan ang Agent Skills | Sagutan ang pagsusulit ng yugto |
|---|---|---|---|---|
| Codex | `start-learning`, o piliin mula sa `/skills` | `learn-mcp`, o piliin mula sa `/skills` | `learn-agent-skills`, o piliin mula sa `/skills` | `check-understanding 13`, o piliin mula sa `/skills` |
| Claude Code | `/start-learning` | `/learn-mcp` | `/learn-agent-skills` | `/check-understanding 13` |
| Ibang katugmang host | `Use start-learning to begin the course.` | `Use learn-mcp to start the Model Context Protocol (MCP) path.` | `Use learn-agent-skills to start the Agent Skills Engineering path.` | `Use check-understanding to quiz me on Phase 13.` |
Itinutugma ng sampung-tanong na pagsusulit ang alam mo na sa angkop na panimulang yugto at nagse-save ng personal na plano sa `LEARNING.md`. Mula roon, nagtuturo ang skill na `learn` ng isang aralin bawat session: konsepto, matematika, code, pagsusulit. Kinukuha nito ang mga aralin nang direkta sa repository na ito, at dinadala ka ng skill na `course-guide` sa mismong araling tumatalakay sa bahaging hindi mo maintindihan. Sa Codex, gamitin ang `learn` at `course-guide`; sa Claude Code, gamitin ang `/learn` at `/course-guide`; sa ibang katugmang host, hilinging gamitin ang skill ayon sa pangalan.
Model Context Protocol (MCP) lang ang gusto mo? Gamitin ang pagtawag sa MCP para sa host mo. Gumagawa ito ng `MCP-LEARNING.md` at sumusunod sa iisang rutang may 17 aralin tungkol sa stateless na request, transport, dalawang-direksiyong trabaho, seguridad, pagiging maaasahan, pamamahala ng registry, at ebidensiya ng pagsunod. Nasa [manifest ng Model Context Protocol (MCP)](../../learning-paths/model-context-protocol.json) ang eksaktong pagkakasunod-sunod at mga checkpoint.
Agent Skills lang ang gusto mo? Gamitin ang pagtawag sa Agent Skills para sa host mo. Gumagawa ito ng `AGENT-SKILLS-LEARNING.md` at sumusunod sa magkakaugnay na limang aralin: kontrata, pagtuklas, pagtawag, hangganan ng sandbox, at pagkatapos ay mga pagsusuri sa paglabas at portability sa tunay na host. Magsimula sa web sa [landas ng Agent Skills](https://aiengineeringfromscratch.com/lesson?path=phases/13-tools-and-protocols/22-skills-and-agent-sdks&learningPath=agent-skills).
Inililista ng installer ang mga host na kaya nitong i-configure at nagtatanong kung saan mag-i-install. Kung wala ka pang Node.js, `npx`, `python3`, suportadong host, o saklaw na maaaring sulatan, gamitin ang website o manu-manong basahin ang `docs/en.md`. Itinuturo ng paraang iyon ang mga konsepto, ngunit nakabinbin pa ang ebidensiya ng pagtuklas, pagtawag, script, at pag-uninstall sa tunay na host hanggang magawa ang paunang pagsusuri. Basahin ang mga aralin sa [aiengineeringfromscratch.com](https://aiengineeringfromscratch.com).
### Ang mga skill sa pag-aaral
| Skill sa pag-aaral | Ginagawa nito |
|---|---|
| [`start-learning`](../../skills/start-learning/SKILL.md) | Isang beses na paghahanda: dahilan mo sa pag-aaral, pagsusulit ng antas, personal na planong naka-save sa `LEARNING.md`. |
| [`learn`](../../skills/learn/SKILL.md) | Siklo ng tutor. Paunang pagbalik-tanaw, interaktibong pagtuturo ng susunod na aralin, at pagsusulit nito; itinatala ang progreso at pila ng babalikan. |
| [`course-guide`](../../skills/course-guide/SKILL.md) | Tagapagturo ng lokasyon ng paksa. "Saan ko pag-aaralan ang attention?" o "NaN ang loss ko" → eksaktong mga aralin, na may link. |
| [`learn-mcp`](../../skills/learn-mcp/SKILL.md) | Tutor na nakatuon sa Model Context Protocol (MCP). Gumagawa ng `MCP-LEARNING.md`, sumusunod sa manifest na may 17 aralin, at nagtatala ng ebidensiya sa komunikasyon, seguridad, pagiging maaasahan at pagsunod. |
| [`learn-agent-skills`](../../skills/learn-agent-skills/SKILL.md) | Tutor na nakatuon sa Agent Skills. Gumagawa ng `AGENT-SKILLS-LEARNING.md`, nagtuturo ng mga aralin 22, 24, 25, 26 at 27, at nagtatala ng ebidensiya sa tunay na host. |
| [`claude-certification`](../../skills/claude-certification/SKILL.md) | Tutor ng sertipikasyon. Pumipili ng CCAO-F, CCDV-F, CCAR-F o CCAR-P; nagtuturo ng bawat aralin; nagpapatakbo ng lab; sumusuri ng nagawa; nagbibigay ng panimulang pagsusuri at mock exam; nagsa-save ng progreso. |
| [`mcpa-certification`](../../skills/mcpa-certification/SKILL.md) | Tutor ng MCPA. Sumusunod sa rutang `mcpa-f` na may 34 aralin tungkol sa protocol na 2026-07-28; nagtuturo ng bawat aralin; nagpapatakbo ng lab at tagasuri ng komunikasyon; nagbibigay ng panimulang pagsusuri at tatlong mock exam; nagsa-save ng progreso. |
| [`find-your-level`](../../skills/find-your-level/SKILL.md) | Sampung-tanong na pagsusulit ng antas. Itinutugma ang kaalaman mo sa panimulang yugto at gumagawa ng personal na landas na may tantiyang oras. |
| [`check-understanding `](../../skills/check-understanding/SKILL.md) | Pagsusulit bawat yugto, walong tanong, na may feedback at tiyak na araling babalikan. Gamitin ang anyong Codex, Claude Code o natural na wika sa talahanayan ng pagtawag sa itaas. |
### Magpatakbo ng lokal na code
```bash
git clone https://github.com/rohitg00/ai-engineering-from-scratch.git
cd ai-engineering-from-scratch
python3 phases/00-setup-and-tooling/01-dev-environment/code/verify.py --route beginner
python3 phases/01-math-foundations/01-linear-algebra-intuition/code/vectors.py
```
Inihihiwalay ng paunang pagsusuri ang mga kinakailangan ngayon sa mga tool na kakailanganin sa susunod. Bawat hindi pumasa na kinakailangang pagsusuri ay may natukoy na dahilan at command para ayusin ito. Ang command na `vectors.py` ay nagpapatakbo ng araling walang dagdag na dependency at nagtatapos sa pagpapakitang ang pag-multiply ng matrix at vector ang operasyon sa loob ng isang layer ng neural network. Itabi ang output na iyon sa terminal bilang una mong ebidensiya.
Gamitin ang parehong paraan sa bawat aralin
### Gamitin ang parehong paraan sa bawat aralin
1. **Basahin** ang `docs/en.md` at ipaliwanag ang pangunahing ideya sa sarili mong mga salita.
2. **I-type at buuin** ang mahalagang code sa halip na ituring na dekorasyon ang code block.
3. **Patakbuhin** ang command ng aralin mula sa root directory ng repository, ang directory na may `README.md` at `phases/`.
4. **Magtabi ng ebidensiya**: ang command, working directory, exit code, makabuluhang output, at artifact na binago o ginawa mo.
5. **Magpatuloy** lamang kapag kaya mong ipaliwanag ang output at gumawa ng isang maliit na pagbabago nang hindi nanghuhula.
Ang mga path sa mga command ng aralin ay mula sa root directory ng repository maliban kung malinaw na sinasabi ng aralin na lumipat ng directory. Kung may ilang programming language ang aralin, patakbuhin ang implementasyon sa wikang pinag-aaralan mo.
## Pumili ng landas ng pag-aaral
Hindi mo kailangang tingnan ang lahat ng 523 aralin bago magsimula. Pumili ng isang layunin. Binubuksan ng bawat link ang parehong kurikulum sa GitHub o sa website, at pareho ang code ng aralin sa dalawang bersiyon.
| Layunin mo | Matuto sa GitHub | Matuto sa website |
|---|---|---|
| Baguhan ako at gusto ko ng kumpletong pundasyon | [Yugto 0: Pag-setup at mga tool](../../phases/00-setup-and-tooling/) | [Development environment](https://aiengineeringfromscratch.com/lesson?path=phases/00-setup-and-tooling/01-dev-environment) |
| Marunong ako ng Python at gusto ko ng pundasyon sa matematika at ML | [Yugto 1: Pundasyon sa matematika](../../phases/01-math-foundations/) | [Pag-unawa sa linear algebra](https://aiengineeringfromscratch.com/lesson?path=phases/01-math-foundations/01-linear-algebra-intuition) |
| Gusto kong bumuo ng mga LLM application para sa aktuwal na paggamit | [Yugto 11: LLM Engineering](../../phases/11-llm-engineering/) | [Prompt Engineering](https://aiengineeringfromscratch.com/lesson?path=phases/11-llm-engineering/01-prompt-engineering) |
| Gusto kong bumuo ng mga agent | [Yugto 14: Agent Engineering](../../phases/14-agent-engineering/) | [Ang agent loop](https://aiengineeringfromscratch.com/lesson?path=phases/14-agent-engineering/01-the-agent-loop) |
| Gusto kong gumamit ng mga coding agent sa mga tunay na repository | [Landas sa engineering na may tulong ng agent](../../learning-paths/using-coding-agents.json) | [Engineering na may tulong ng agent](https://aiengineeringfromscratch.com/lesson?path=phases/14-agent-engineering/31-agent-workbench-why-models-fail&learningPath=using-coding-agents) |
| Gusto kong matukoy ang tamang bubuuin bago magpatupad | [Landas sa pagpapasya at paghahatid ng produkto](../../learning-paths/shaping-the-build.json) | [Pagpapasya at paghahatid ng produkto](https://aiengineeringfromscratch.com/lesson?path=phases/14-agent-engineering/47-outcomes-before-output&learningPath=shaping-the-build) |
Hindi sigurado kung saan ka magsisimula? Gamitin ang [`start-learning` tutor para matukoy ang antas mo](../../skills/start-learning/SKILL.md) o ang [gabay sa mga kinakailangan sa website](https://aiengineeringfromscratch.com/prereqs.html).
Ihambing ang apat na pangunahing larangan at anim na ruta ng karera sa [Mga Landas sa Pag-aaral ng AI Engineering](https://aiengineeringfromscratch.com/learning-paths.html).
Mga nakatuong landas para sa MCP at Agent Skills
| Layunin mo | Matuto sa GitHub | Matuto sa website |
|---|---|---|
| Gusto kong bumuo gamit ang Model Context Protocol (MCP) | [Ruta ng Model Context Protocol (MCP)](../../phases/13-tools-and-protocols/README.md#model-context-protocol-mcp-path) | [Landas ng Model Context Protocol (MCP)](https://aiengineeringfromscratch.com/lesson?path=phases/13-tools-and-protocols/06-mcp-fundamentals&learningPath=model-context-protocol) |
| Gusto kong magsulat at maglabas ng Agent Skills | [Nakatuong ruta ng Agent Skills](../../phases/13-tools-and-protocols/README.md#agent-skills-fast-path) | [Landas ng Agent Skills](https://aiengineeringfromscratch.com/lesson?path=phases/13-tools-and-protocols/22-skills-and-agent-sdks&learningPath=agent-skills) |
Mga kinakailangan at oras ng pag-aaral
### Mga kinakailangan
- Marunong kang magsulat ng code (anumang wika; makatutulong ang Python).
- Gusto mong maunawaan kung paano **talagang gumagana** ang AI, hindi lang tumawag ng API.
## Saan magsisimula
| Dating kaalaman | Magsimula sa | Tantiyang oras |
|---|---|---|
| Baguhan sa programming at AI | Yugto 0: Paghahanda | ~306 oras |
| Marunong ng Python, baguhan sa ML | Yugto 1: Mga pundasyon sa matematika | ~270 oras |
| Alam ang ML, baguhan sa deep learning | Yugto 3: Ubod ng deep learning | ~200 oras |
| Alam ang deep learning, gustong matuto ng LLM at agent | Yugto 10: Mga LLM mula sa simula | ~100 oras |
| Senior engineer, engineering ng agent lamang ang kailangan | Yugto 14: Engineering ng agent | ~60 oras |
| Gustong bumuo lamang ng MCP system para sa aktuwal na paggamit | [Landas ng Model Context Protocol (MCP)](../../learning-paths/model-context-protocol.json) | ~23 oras 15 minuto |
| Gustong bumuo lamang ng Agent Skills para sa aktuwal na paggamit | [Landas sa Engineering ng Agent Skills](../../learning-paths/agent-skills.json) | ~9.5 oras |
## Estruktura ng kurikulum
Magkakapatong ang dalawampung yugto. Matematika ang pundasyon. Mga agent at aktuwal na deployment ang nasa tuktok. Lumaktaw kung alam mo na ang mga nasa ibaba, pero huwag basta lumaktaw at pagkatapos ay magtaka kung bakit may pumapalya sa itaas.
```mermaid
%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'12px'}}}%%
flowchart TB
P0["Yugto 0: Paghahanda at kasangkapan"] --> P1["Yugto 1: Pundasyon sa matematika"]
P1 --> P2["Yugto 2: Pundasyon ng ML"]
P2 --> P3["Yugto 3: Ubod ng deep learning"]
P3 --> P4["Yugto 4: Paningin"]
P3 --> P5["Yugto 5: NLP"]
P3 --> P6["Yugto 6: Pagsasalita at audio"]
P3 --> P9["Yugto 9: RL"]
P5 --> P7["Yugto 7: Mga Transformer"]
P7 --> P8["Yugto 8: AI na lumilikha"]
P7 --> P10["Yugto 10: Mga LLM mula sa simula"]
P10 --> P11["Yugto 11: Engineering ng LLM"]
P10 --> P12["Yugto 12: Maraming modality"]
P11 --> P13["Yugto 13: Mga kasangkapan at protocol"]
P13 --> P14["Yugto 14: Engineering ng agent"]
P14 --> P15["Yugto 15: Nagsasariling sistema"]
P15 --> P16["Yugto 16: Maraming agent at swarm"]
P14 --> P17["Yugto 17: Imprastruktura at aktuwal na paggamit"]
P15 --> P18["Yugto 18: Etika at alignment"]
P16 --> P19["Yugto 19: Pangwakas na proyekto"]
P17 --> P19
P18 --> P19
```
## Mga nilalaman
Dalawampung yugto. I-click ang anumang yugto upang buksan ang listahan ng mga aralin.
### Yugto 0: Pag-setup at mga kasangkapan `12 aralin`
> Ihanda ang kapaligiran mo para sa lahat ng kasunod.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Kapaligiran para sa pagbuo](../../phases/00-setup-and-tooling/01-dev-environment/) | Buuin | Python |
| 02 | [Git at pagtutulungan](../../phases/00-setup-and-tooling/02-git-and-collaboration/) | Pag-aralan | — |
| 03 | [Pag-setup ng GPU at cloud](../../phases/00-setup-and-tooling/03-gpu-setup-and-cloud/) | Buuin | Python |
| 04 | [Mga API at susi sa pag-access](../../phases/00-setup-and-tooling/04-apis-and-keys/) | Buuin | Python |
| 05 | [Jupyter Notebooks](../../phases/00-setup-and-tooling/05-jupyter-notebooks/) | Buuin | Python |
| 06 | [Mga kapaligiran ng Python](../../phases/00-setup-and-tooling/06-python-environments/) | Buuin | Shell |
| 07 | [Docker para sa AI](../../phases/00-setup-and-tooling/07-docker-for-ai/) | Buuin | Docker |
| 08 | [Pag-setup ng editor](../../phases/00-setup-and-tooling/08-editor-setup/) | Buuin | — |
| 09 | [Pamamahala ng datos](../../phases/00-setup-and-tooling/09-data-management/) | Buuin | Python |
| 10 | [Terminal at shell](../../phases/00-setup-and-tooling/10-terminal-and-shell/) | Pag-aralan | — |
| 11 | [Linux para sa AI](../../phases/00-setup-and-tooling/11-linux-for-ai/) | Pag-aralan | — |
| 12 | [Pag-debug at pagsukat ng pagganap](../../phases/00-setup-and-tooling/12-debugging-and-profiling/) | Buuin | Python |
Yugto 1: Mga pundasyon sa matematika22 aralinUnawain ang nasa likod ng bawat algorithm ng AI sa pamamagitan ng code.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Pag-unawa sa linear algebra](../../phases/01-math-foundations/01-linear-algebra-intuition/) | Pag-aralan | Python, Julia |
| 02 | [Mga vector, matrix at operasyon](../../phases/01-math-foundations/02-vectors-matrices-operations/) | Buuin | Python, Julia |
| 03 | [Mga transformasyon ng matrix at eigenvalue](../../phases/01-math-foundations/03-matrix-transformations/) | Buuin | Python, Julia |
| 04 | [Calculus para sa ML: derivative at gradient](../../phases/01-math-foundations/04-calculus-for-ml/) | Pag-aralan | Python |
| 05 | [Chain rule at awtomatikong differentiation](../../phases/01-math-foundations/05-chain-rule-and-autodiff/) | Buuin | Python |
| 06 | [Probabilidad at mga distribusyon](../../phases/01-math-foundations/06-probability-and-distributions/) | Pag-aralan | Python |
| 07 | [Teorema ni Bayes at pag-iisip na estadistikal](../../phases/01-math-foundations/07-bayes-theorem/) | Buuin | Python |
| 08 | [Pag-optimize: pamilya ng gradient descent](../../phases/01-math-foundations/08-optimization/) | Buuin | Python |
| 09 | [Teorya ng impormasyon: entropy at KL divergence](../../phases/01-math-foundations/09-information-theory/) | Pag-aralan | Python |
| 10 | [Pagbawas ng dimensiyon: PCA, t-SNE, UMAP](../../phases/01-math-foundations/10-dimensionality-reduction/) | Buuin | Python |
| 11 | [Singular Value Decomposition](../../phases/01-math-foundations/11-singular-value-decomposition/) | Buuin | Python, Julia |
| 12 | [Mga operasyon sa tensor](../../phases/01-math-foundations/12-tensor-operations/) | Buuin | Python |
| 13 | [Katatagan ng mga numerikal na kalkulasyon](../../phases/01-math-foundations/13-numerical-stability/) | Buuin | Python |
| 14 | [Mga norm at distansiya](../../phases/01-math-foundations/14-norms-and-distances/) | Buuin | Python |
| 15 | [Estadistika para sa ML](../../phases/01-math-foundations/15-statistics-for-ml/) | Buuin | Python |
| 16 | [Mga paraan ng sampling](../../phases/01-math-foundations/16-sampling-methods/) | Buuin | Python |
| 17 | [Mga sistemang linear](../../phases/01-math-foundations/17-linear-systems/) | Buuin | Python |
| 18 | [Convex optimization](../../phases/01-math-foundations/18-convex-optimization/) | Buuin | Python |
| 19 | [Mga complex number para sa AI](../../phases/01-math-foundations/19-complex-numbers/) | Pag-aralan | Python |
| 20 | [Ang Fourier transform](../../phases/01-math-foundations/20-fourier-transform/) | Buuin | Python |
| 21 | [Teorya ng graph para sa ML](../../phases/01-math-foundations/21-graph-theory/) | Buuin | Python |
| 22 | [Mga stochastic process](../../phases/01-math-foundations/22-stochastic-processes/) | Pag-aralan | Python |
Yugto 2: Mga pundasyon ng ML18 aralinKlasikal na ML: pundasyon pa rin ng karamihan sa AI na aktuwal na ginagamit.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Ano ang machine learning](../../phases/02-ml-fundamentals/01-what-is-machine-learning/) | Pag-aralan | Python |
| 02 | [Linear regression mula sa simula](../../phases/02-ml-fundamentals/02-linear-regression/) | Buuin | Python |
| 03 | [Logistic regression at pag-uuri](../../phases/02-ml-fundamentals/03-logistic-regression/) | Buuin | Python |
| 04 | [Mga decision tree at random forest](../../phases/02-ml-fundamentals/04-decision-trees/) | Buuin | Python |
| 05 | [Support Vector Machines](../../phases/02-ml-fundamentals/05-support-vector-machines/) | Buuin | Python |
| 06 | [KNN at mga sukatan ng distansiya](../../phases/02-ml-fundamentals/06-knn-and-distances/) | Buuin | Python |
| 07 | [Unsupervised learning: K-Means, DBSCAN](../../phases/02-ml-fundamentals/07-unsupervised-learning/) | Buuin | Python |
| 08 | [Pagdisenyo at pagpili ng feature](../../phases/02-ml-fundamentals/08-feature-engineering/) | Buuin | Python |
| 09 | [Pagsusuri ng modelo: mga sukatan at cross-validation](../../phases/02-ml-fundamentals/09-model-evaluation/) | Buuin | Python |
| 10 | [Bias, variance at learning curve](../../phases/02-ml-fundamentals/10-bias-variance/) | Pag-aralan | Python |
| 11 | [Mga pamamaraang ensemble: Boosting, Bagging, Stacking](../../phases/02-ml-fundamentals/11-ensemble-methods/) | Buuin | Python |
| 12 | [Pagtutono ng hyperparameter](../../phases/02-ml-fundamentals/12-hyperparameter-tuning/) | Buuin | Python |
| 13 | [Mga pipeline ng ML at pagsubaybay ng eksperimento](../../phases/02-ml-fundamentals/13-ml-pipelines/) | Buuin | Python |
| 14 | [Naive Bayes](../../phases/02-ml-fundamentals/14-naive-bayes/) | Buuin | Python |
| 15 | [Mga pundasyon ng time series](../../phases/02-ml-fundamentals/15-time-series/) | Buuin | Python |
| 16 | [Pagtukoy ng anomalya](../../phases/02-ml-fundamentals/16-anomaly-detection/) | Buuin | Python |
| 17 | [Paghawak sa datos na hindi balanse](../../phases/02-ml-fundamentals/17-imbalanced-data/) | Buuin | Python |
| 18 | [Pagpili ng feature](../../phases/02-ml-fundamentals/18-feature-selection/) | Buuin | Python |
Yugto 3: Ubod ng deep learning13 aralinMga neural network mula sa unang mga prinsipyo. Walang framework hanggang makabuo ka ng sarili.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Ang perceptron: kung saan nagsimula ang lahat](../../phases/03-deep-learning-core/01-the-perceptron/) | Buuin | Python |
| 02 | [Mga network na maraming layer at forward pass](../../phases/03-deep-learning-core/02-multi-layer-networks/) | Buuin | Python |
| 03 | [Backpropagation mula sa simula](../../phases/03-deep-learning-core/03-backpropagation/) | Buuin | Python |
| 04 | [Mga activation function: ReLU, Sigmoid, GELU at kung bakit](../../phases/03-deep-learning-core/04-activation-functions/) | Buuin | Python |
| 05 | [Mga loss function: MSE, cross-entropy, contrastive](../../phases/03-deep-learning-core/05-loss-functions/) | Buuin | Python |
| 06 | [Mga optimizer: SGD, Momentum, Adam, AdamW](../../phases/03-deep-learning-core/06-optimizers/) | Buuin | Python |
| 07 | [Mga paraan ng regularization: Dropout, Weight Decay, BatchNorm](../../phases/03-deep-learning-core/07-regularization/) | Buuin | Python |
| 08 | [Pagsisimula ng timbang at katatagan ng training](../../phases/03-deep-learning-core/08-weight-initialization/) | Buuin | Python |
| 09 | [Mga iskedyul ng learning rate at warmup](../../phases/03-deep-learning-core/09-learning-rate-schedules/) | Buuin | Python |
| 10 | [Bumuo ng sarili mong maliit na framework](../../phases/03-deep-learning-core/10-mini-framework/) | Buuin | Python |
| 11 | [Panimula sa PyTorch](../../phases/03-deep-learning-core/11-intro-to-pytorch/) | Buuin | Python |
| 12 | [Panimula sa JAX](../../phases/03-deep-learning-core/12-intro-to-jax/) | Buuin | Python |
| 13 | [Pag-debug ng mga neural network](../../phases/03-deep-learning-core/13-debugging-neural-networks/) | Buuin | Python |
Yugto 4: Paningin ng computer28 aralinMula pixel tungo sa pag-unawa: larawan, video, 3D, VLM at world model.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Mga pundasyon ng larawan: pixel, channel at color space](../../phases/04-computer-vision/01-image-fundamentals/) | Pag-aralan | Python |
| 02 | [Mga convolution mula sa simula](../../phases/04-computer-vision/02-convolutions-from-scratch/) | Buuin | Python |
| 03 | [Mga CNN: mula LeNet hanggang ResNet](../../phases/04-computer-vision/03-cnns-lenet-to-resnet/) | Buuin | Python |
| 04 | [Pag-uuri ng larawan](../../phases/04-computer-vision/04-image-classification/) | Buuin | Python |
| 05 | [Transfer learning at fine-tuning](../../phases/04-computer-vision/05-transfer-learning/) | Buuin | Python |
| 06 | [Pagtukoy ng object: YOLO mula sa simula](../../phases/04-computer-vision/06-object-detection-yolo/) | Buuin | Python |
| 07 | [Semantic segmentation gamit ang U-Net](../../phases/04-computer-vision/07-semantic-segmentation-unet/) | Buuin | Python |
| 08 | [Instance segmentation gamit ang Mask R-CNN](../../phases/04-computer-vision/08-instance-segmentation-mask-rcnn/) | Buuin | Python |
| 09 | [Paglikha ng larawan gamit ang mga GAN](../../phases/04-computer-vision/09-image-generation-gans/) | Buuin | Python |
| 10 | [Paglikha ng larawan gamit ang diffusion model](../../phases/04-computer-vision/10-image-generation-diffusion/) | Buuin | Python |
| 11 | [Stable Diffusion: arkitektura at fine-tuning](../../phases/04-computer-vision/11-stable-diffusion/) | Buuin | Python |
| 12 | [Pag-unawa sa video: pagmomodelo ng oras](../../phases/04-computer-vision/12-video-understanding/) | Buuin | Python |
| 13 | [3D vision: mga point cloud at NeRF](../../phases/04-computer-vision/13-3d-vision-nerf/) | Buuin | Python |
| 14 | [Mga Vision Transformer (ViT)](../../phases/04-computer-vision/14-vision-transformers/) | Buuin | Python |
| 15 | [Vision sa tunay na oras: deployment sa edge](../../phases/04-computer-vision/15-real-time-edge/) | Buuin | Python |
| 16 | [Bumuo ng kumpletong vision pipeline](../../phases/04-computer-vision/16-vision-pipeline-capstone/) | Buuin | Python |
| 17 | [Self-supervised vision: SimCLR, DINO, MAE](../../phases/04-computer-vision/17-self-supervised-vision/) | Buuin | Python |
| 18 | [Vision na may bukas na bokabularyo: CLIP](../../phases/04-computer-vision/18-open-vocab-clip/) | Buuin | Python |
| 19 | [OCR at pag-unawa sa dokumento](../../phases/04-computer-vision/19-ocr-document-understanding/) | Buuin | Python |
| 20 | [Pagkuha ng larawan at metric learning](../../phases/04-computer-vision/20-image-retrieval-metric/) | Buuin | Python |
| 21 | [Pagtukoy ng keypoint at pagtatantiya ng pose](../../phases/04-computer-vision/21-keypoint-pose/) | Buuin | Python |
| 22 | [3D Gaussian Splatting mula sa simula](../../phases/04-computer-vision/22-3d-gaussian-splatting/) | Buuin | Python |
| 23 | [Mga Diffusion Transformer at Rectified Flow](../../phases/04-computer-vision/23-diffusion-transformers-rectified-flow/) | Buuin | Python |
| 24 | [SAM 3 at segmentation na may bukas na bokabularyo](../../phases/04-computer-vision/24-sam3-open-vocab-segmentation/) | Buuin | Python |
| 25 | [Mga vision-language model (ViT-MLP-LLM)](../../phases/04-computer-vision/25-vision-language-models/) | Buuin | Python |
| 26 | [Pagtatantiya ng lalim at geometry mula sa iisang camera](../../phases/04-computer-vision/26-monocular-depth/) | Buuin | Python |
| 27 | [Pagsubaybay ng maraming object at memorya ng video](../../phases/04-computer-vision/27-multi-object-tracking/) | Buuin | Python |
| 28 | [Mga world model at video diffusion](../../phases/04-computer-vision/28-world-models-video-diffusion/) | Buuin | Python |
Yugto 5: NLP mula pundasyon hanggang mas mataas na antas29 aralinWika ang interface sa katalinuhan.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Pagproseso ng teksto: tokenization, stemming, lemmatization](../../phases/05-nlp-foundations-to-advanced/01-text-processing/) | Buuin | Python |
| 02 | [Bag of Words, TF-IDF at representasyon ng teksto](../../phases/05-nlp-foundations-to-advanced/02-bag-of-words-tfidf/) | Buuin | Python |
| 03 | [Mga word embedding: Word2Vec mula sa simula](../../phases/05-nlp-foundations-to-advanced/03-word-embeddings-word2vec/) | Buuin | Python |
| 04 | [GloVe, FastText at mga subword embedding](../../phases/05-nlp-foundations-to-advanced/04-glove-fasttext-subword/) | Buuin | Python |
| 05 | [Pagsusuri ng damdamin](../../phases/05-nlp-foundations-to-advanced/05-sentiment-analysis/) | Buuin | Python |
| 06 | [Pagkilala sa pinangalanang entidad (NER)](../../phases/05-nlp-foundations-to-advanced/06-named-entity-recognition/) | Buuin | Python |
| 07 | [Pag-tag ng bahagi ng pananalita at syntactic parsing](../../phases/05-nlp-foundations-to-advanced/07-pos-tagging-parsing/) | Buuin | Python |
| 08 | [Pag-uuri ng teksto: mga CNN at RNN para sa teksto](../../phases/05-nlp-foundations-to-advanced/08-cnns-rnns-for-text/) | Buuin | Python |
| 09 | [Mga modelong sequence-to-sequence](../../phases/05-nlp-foundations-to-advanced/09-sequence-to-sequence/) | Buuin | Python |
| 10 | [Mekanismo ng attention: ang malaking pagsulong](../../phases/05-nlp-foundations-to-advanced/10-attention-mechanism/) | Buuin | Python |
| 11 | [Awtomatikong pagsasalin](../../phases/05-nlp-foundations-to-advanced/11-machine-translation/) | Buuin | Python |
| 12 | [Pagbubuod ng teksto](../../phases/05-nlp-foundations-to-advanced/12-text-summarization/) | Buuin | Python |
| 13 | [Mga sistema ng pagsagot sa tanong](../../phases/05-nlp-foundations-to-advanced/13-question-answering/) | Buuin | Python |
| 14 | [Pagkuha ng impormasyon at paghahanap](../../phases/05-nlp-foundations-to-advanced/14-information-retrieval-search/) | Buuin | Python |
| 15 | [Pagmomodelo ng paksa: LDA, BERTopic](../../phases/05-nlp-foundations-to-advanced/15-topic-modeling/) | Buuin | Python |
| 16 | [Paglikha ng teksto](../../phases/05-nlp-foundations-to-advanced/16-text-generation-pre-transformer/) | Buuin | Python |
| 17 | [Mga chatbot: mula sa mga tuntunin tungo sa neural](../../phases/05-nlp-foundations-to-advanced/17-chatbots-rule-to-neural/) | Buuin | Python |
| 18 | [NLP para sa maraming wika](../../phases/05-nlp-foundations-to-advanced/18-multilingual-nlp/) | Buuin | Python |
| 19 | [Subword tokenization: BPE, WordPiece, Unigram, SentencePiece](../../phases/05-nlp-foundations-to-advanced/19-subword-tokenization/) | Pag-aralan | Python |
| 20 | [Mga output na may estruktura at constrained decoding](../../phases/05-nlp-foundations-to-advanced/20-structured-outputs-constrained-decoding/) | Buuin | Python |
| 21 | [NLI at lohikal na implikasyon sa teksto](../../phases/05-nlp-foundations-to-advanced/21-nli-textual-entailment/) | Pag-aralan | Python |
| 22 | [Malalimang pag-aaral ng mga embedding model](../../phases/05-nlp-foundations-to-advanced/22-embedding-models-deep-dive/) | Pag-aralan | Python |
| 23 | [Mga estratehiya ng paghahati para sa RAG](../../phases/05-nlp-foundations-to-advanced/23-chunking-strategies-rag/) | Buuin | Python |
| 24 | [Pagresolba ng coreference](../../phases/05-nlp-foundations-to-advanced/24-coreference-resolution/) | Pag-aralan | Python |
| 25 | [Pag-uugnay ng entidad at paglilinaw ng kahulugan](../../phases/05-nlp-foundations-to-advanced/25-entity-linking/) | Buuin | Python |
| 26 | [Pagkuha ng relasyon at pagbuo ng knowledge graph](../../phases/05-nlp-foundations-to-advanced/26-relation-extraction-kg/) | Buuin | Python |
| 27 | [Pagsusuri ng LLM: RAGAS, DeepEval, G-Eval](../../phases/05-nlp-foundations-to-advanced/27-llm-evaluation-frameworks/) | Buuin | Python |
| 28 | [Pagsusuri ng mahabang konteksto: NIAH, RULER, LongBench, MRCR](../../phases/05-nlp-foundations-to-advanced/28-long-context-evaluation/) | Pag-aralan | Python |
| 29 | [Pagsubaybay ng kalagayan ng diyalogo](../../phases/05-nlp-foundations-to-advanced/29-dialogue-state-tracking/) | Buuin | Python |
Yugto 6: Pagsasalita at audio17 aralinMakinig, umunawa, magsalita.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Mga pundasyon ng audio: waveform, sampling, FFT](../../phases/06-speech-and-audio/01-audio-fundamentals) | Pag-aralan | Python |
| 02 | [Mga spectrogram, Mel scale at audio feature](../../phases/06-speech-and-audio/02-spectrograms-mel-features) | Buuin | Python |
| 03 | [Pag-uuri ng audio](../../phases/06-speech-and-audio/03-audio-classification) | Buuin | Python |
| 04 | [Pagkilala sa pagsasalita (ASR)](../../phases/06-speech-and-audio/04-speech-recognition-asr) | Buuin | Python |
| 05 | [Whisper: arkitektura at fine-tuning](../../phases/06-speech-and-audio/05-whisper-architecture-finetuning) | Buuin | Python |
| 06 | [Pagkilala at pagpapatunay sa nagsasalita](../../phases/06-speech-and-audio/06-speaker-recognition-verification) | Buuin | Python |
| 07 | [Text-to-Speech (TTS)](../../phases/06-speech-and-audio/07-text-to-speech) | Buuin | Python |
| 08 | [Pag-clone at pagbabago ng boses](../../phases/06-speech-and-audio/08-voice-cloning-conversion) | Buuin | Python |
| 09 | [Paglikha ng musika](../../phases/06-speech-and-audio/09-music-generation) | Buuin | Python |
| 10 | [Mga audio-language model](../../phases/06-speech-and-audio/10-audio-language-models) | Buuin | Python |
| 11 | [Pagproseso ng audio sa tunay na oras](../../phases/06-speech-and-audio/11-real-time-audio-processing) | Buuin | Python |
| 12 | [Bumuo ng pipeline ng katulong na may boses](../../phases/06-speech-and-audio/12-voice-assistant-pipeline) | Buuin | Python |
| 13 | [Mga neural audio codec: EnCodec, SNAC, Mimi, DAC](../../phases/06-speech-and-audio/13-neural-audio-codecs) | Pag-aralan | Python |
| 14 | [Pagtukoy ng boses at pagpapalitan ng pagkakataong magsalita](../../phases/06-speech-and-audio/14-voice-activity-detection-turn-taking) | Buuin | Python |
| 15 | [Streaming na speech-to-speech: Moshi, Hibiki](../../phases/06-speech-and-audio/15-streaming-speech-to-speech-moshi-hibiki) | Pag-aralan | Python |
| 16 | [Paglaban sa pekeng boses at watermark sa audio](../../phases/06-speech-and-audio/16-anti-spoofing-audio-watermarking) | Buuin | Python |
| 17 | [Pagsusuri ng audio: WER, MOS, MMAU, mga leaderboard](../../phases/06-speech-and-audio/17-audio-evaluation-metrics) | Pag-aralan | Python |
Yugto 7: Malalimang pag-aaral ng Transformer16 aralinAng arkitekturang bumago sa lahat.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Bakit Transformer: mga problema ng RNN](../../phases/07-transformers-deep-dive/01-why-transformers/) | Pag-aralan | Python |
| 02 | [Self-attention mula sa simula](../../phases/07-transformers-deep-dive/02-self-attention-from-scratch/) | Buuin | Python |
| 03 | [Attention na maraming head](../../phases/07-transformers-deep-dive/03-multi-head-attention/) | Buuin | Python |
| 04 | [Positional encoding: Sinusoidal, RoPE, ALiBi](../../phases/07-transformers-deep-dive/04-positional-encoding/) | Buuin | Python |
| 05 | [Ang buong Transformer: encoder at decoder](../../phases/07-transformers-deep-dive/05-full-transformer/) | Buuin | Python |
| 06 | [BERT: pagmomodelo ng wikang may nakatagong token](../../phases/07-transformers-deep-dive/06-bert-masked-language-modeling/) | Buuin | Python |
| 07 | [GPT: causal language modeling](../../phases/07-transformers-deep-dive/07-gpt-causal-language-modeling/) | Buuin | Python |
| 08 | [T5, BART: mga encoder-decoder model](../../phases/07-transformers-deep-dive/08-t5-bart-encoder-decoder/) | Pag-aralan | Python |
| 09 | [Mga Vision Transformer (ViT)](../../phases/07-transformers-deep-dive/09-vision-transformers/) | Buuin | Python |
| 10 | [Mga audio Transformer: arkitektura ng Whisper](../../phases/07-transformers-deep-dive/10-audio-transformers-whisper/) | Pag-aralan | Python |
| 11 | [Mixture of Experts (MoE)](../../phases/07-transformers-deep-dive/11-mixture-of-experts/) | Buuin | Python |
| 12 | [KV cache, Flash Attention at pag-optimize ng inference](../../phases/07-transformers-deep-dive/12-kv-cache-flash-attention/) | Buuin | Python |
| 13 | [Mga batas ng pag-scale](../../phases/07-transformers-deep-dive/13-scaling-laws/) | Pag-aralan | Python |
| 14 | [Bumuo ng Transformer mula sa simula](../../phases/07-transformers-deep-dive/14-build-a-transformer-capstone/) | Buuin | Python |
| 15 | [Mga uri ng attention: sliding window, sparse, differential](../../phases/07-transformers-deep-dive/15-attention-variants/) | Buuin | Python |
| 16 | [Speculative decoding: gumawa ng draft, suriin, ulitin](../../phases/07-transformers-deep-dive/16-speculative-decoding/) | Buuin | Python |
Yugto 8: AI na lumilikha15 aralinLumikha ng larawan, video, audio, 3D at iba pa.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Mga generative model: pag-uuri at kasaysayan](../../phases/08-generative-ai/01-generative-models-taxonomy-history/) | Pag-aralan | Python |
| 02 | [Mga autoencoder at VAE](../../phases/08-generative-ai/02-autoencoders-vae/) | Buuin | Python |
| 03 | [Mga GAN: generator laban sa discriminator](../../phases/08-generative-ai/03-gans-generator-discriminator/) | Buuin | Python |
| 04 | [Mga conditional GAN at Pix2Pix](../../phases/08-generative-ai/04-conditional-gans-pix2pix/) | Buuin | Python |
| 05 | [StyleGAN](../../phases/08-generative-ai/05-stylegan/) | Buuin | Python |
| 06 | [Mga diffusion model: DDPM mula sa simula](../../phases/08-generative-ai/06-diffusion-ddpm-from-scratch/) | Buuin | Python |
| 07 | [Latent diffusion at Stable Diffusion](../../phases/08-generative-ai/07-latent-diffusion-stable-diffusion/) | Buuin | Python |
| 08 | [ControlNet, LoRA at conditioning](../../phases/08-generative-ai/08-controlnet-lora-conditioning/) | Buuin | Python |
| 09 | [Inpainting, outpainting at pag-edit](../../phases/08-generative-ai/09-inpainting-outpainting-editing/) | Buuin | Python |
| 10 | [Paglikha ng video](../../phases/08-generative-ai/10-video-generation/) | Buuin | Python |
| 11 | [Paglikha ng audio](../../phases/08-generative-ai/11-audio-generation/) | Buuin | Python |
| 12 | [Paglikha ng 3D](../../phases/08-generative-ai/12-3d-generation/) | Buuin | Python |
| 13 | [Flow Matching at Rectified Flows](../../phases/08-generative-ai/13-flow-matching-rectified-flows/) | Buuin | Python |
| 14 | [Pagsusuri: FID at CLIP Score](../../phases/08-generative-ai/14-evaluation-fid-clip-score/) | Buuin | Python |
| 19 | [Visual Autoregressive Modeling (VAR): paghula sa susunod na scale](../../phases/08-generative-ai/19-visual-autoregressive-var/) | Buuin | Python |
Yugto 9: Pagkatuto sa pamamagitan ng reinforcement12 aralinAng pundasyon ng RLHF at AI na naglalaro.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Mga MDP, state, action at reward](../../phases/09-reinforcement-learning/01-mdps-states-actions-rewards/) | Pag-aralan | Python |
| 02 | [Dynamic programming](../../phases/09-reinforcement-learning/02-dynamic-programming/) | Buuin | Python |
| 03 | [Mga pamamaraang Monte Carlo](../../phases/09-reinforcement-learning/03-monte-carlo-methods/) | Buuin | Python |
| 04 | [Q-Learning, SARSA](../../phases/09-reinforcement-learning/04-q-learning-sarsa/) | Buuin | Python |
| 05 | [Deep Q-Networks (DQN)](../../phases/09-reinforcement-learning/05-dqn/) | Buuin | Python |
| 06 | [Mga policy gradient: REINFORCE](../../phases/09-reinforcement-learning/06-policy-gradients-reinforce/) | Buuin | Python |
| 07 | [Actor-Critic gamit ang A2C at A3C](../../phases/09-reinforcement-learning/07-actor-critic-a2c-a3c/) | Buuin | Python |
| 08 | [PPO](../../phases/09-reinforcement-learning/08-ppo/) | Buuin | Python |
| 09 | [Pagmomodelo ng reward at RLHF](../../phases/09-reinforcement-learning/09-reward-modeling-rlhf/) | Buuin | Python |
| 10 | [Reinforcement learning ng maraming agent](../../phases/09-reinforcement-learning/10-multi-agent-rl/) | Buuin | Python |
| 11 | [Paglipat mula simulation tungo sa tunay na mundo](../../phases/09-reinforcement-learning/11-sim-to-real-transfer/) | Buuin | Python |
| 12 | [Reinforcement learning para sa mga laro](../../phases/09-reinforcement-learning/12-rl-for-games/) | Buuin | Python |
Yugto 10: Mga LLM mula sa simula24 aralinBuuin, sanayin at unawain ang malalaking language model.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Mga tokenizer: BPE, WordPiece, SentencePiece](../../phases/10-llms-from-scratch/01-tokenizers/) | Buuin | Python, Rust |
| 02 | [Pagbuo ng tokenizer mula sa simula](../../phases/10-llms-from-scratch/02-building-a-tokenizer/) | Buuin | Python |
| 03 | [Mga pipeline ng datos para sa pre-training](../../phases/10-llms-from-scratch/03-data-pipelines/) | Buuin | Python |
| 04 | [Pre-training ng maliit na GPT (124M)](../../phases/10-llms-from-scratch/04-pre-training-mini-gpt/) | Buuin | Python |
| 05 | [Ipinamahaging training, FSDP, DeepSpeed](../../phases/10-llms-from-scratch/05-scaling-distributed/) | Buuin | Python |
| 06 | [Instruction tuning gamit ang SFT](../../phases/10-llms-from-scratch/06-instruction-tuning-sft/) | Buuin | Python |
| 07 | [RLHF: reward model at PPO](../../phases/10-llms-from-scratch/07-rlhf/) | Buuin | Python |
| 08 | [DPO: direktang pag-optimize ng kagustuhan](../../phases/10-llms-from-scratch/08-dpo/) | Buuin | Python |
| 09 | [Constitutional AI at sariling pagpapahusay](../../phases/10-llms-from-scratch/09-constitutional-ai-self-improvement/) | Buuin | Python |
| 10 | [Pagsusuri: mga benchmark at eval](../../phases/10-llms-from-scratch/10-evaluation/) | Buuin | Python |
| 11 | [Mga paraan ng quantization: INT8, GPTQ, AWQ, GGUF](../../phases/10-llms-from-scratch/11-quantization/) | Buuin | Python |
| 12 | [Pag-optimize ng inference](../../phases/10-llms-from-scratch/12-inference-optimization/) | Buuin | Python |
| 13 | [Pagbuo ng kumpletong pipeline ng LLM](../../phases/10-llms-from-scratch/13-building-complete-llm-pipeline/) | Buuin | Python |
| 14 | [Mga bukas na modelo: pagtalakay sa arkitektura](../../phases/10-llms-from-scratch/14-open-models-architecture-walkthroughs/) | Pag-aralan | Python |
| 15 | [Speculative decoding at EAGLE-3](../../phases/10-llms-from-scratch/15-speculative-decoding-eagle3/) | Buuin | Python |
| 16 | [Differential Attention (V2)](../../phases/10-llms-from-scratch/16-differential-attention-v2/) | Buuin | Python |
| 17 | [Native Sparse Attention (DeepSeek NSA)](../../phases/10-llms-from-scratch/17-native-sparse-attention/) | Buuin | Python |
| 18 | [Multi-Token Prediction (MTP)](../../phases/10-llms-from-scratch/18-multi-token-prediction/) | Buuin | Python |
| 19 | [Parallelism ng DualPipe](../../phases/10-llms-from-scratch/19-dualpipe-parallelism/) | Pag-aralan | Python |
| 20 | [Pagtalakay sa arkitektura ng DeepSeek-V3](../../phases/10-llms-from-scratch/20-deepseek-v3-walkthrough/) | Pag-aralan | Python |
| 21 | [Jamba: pinagsamang SSM at Transformer](../../phases/10-llms-from-scratch/21-jamba-hybrid-ssm-transformer/) | Pag-aralan | Python |
| 22 | [Asynchronous at Hogwild! inference](../../phases/10-llms-from-scratch/22-async-hogwild-inference/) | Buuin | Python |
| 25 | [Speculative decoding at EAGLE](../../phases/10-llms-from-scratch/25-speculative-decoding/) | Buuin | Python |
| 34 | [Gradient checkpointing at muling pagkalkula ng activation](../../phases/10-llms-from-scratch/34-gradient-checkpointing/) | Buuin | Python |
Yugto 11: Engineering ng LLM17 aralinGamitin ang mga LLM sa aktuwal na trabaho.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Prompt engineering: mga paraan at pattern](../../phases/11-llm-engineering/01-prompt-engineering/) | Buuin | Python |
| 02 | [Few-Shot, CoT, Tree-of-Thought](../../phases/11-llm-engineering/02-few-shot-cot/) | Buuin | Python |
| 03 | [Mga output na may estruktura](../../phases/11-llm-engineering/03-structured-outputs/) | Buuin | Python |
| 04 | [Mga embedding at representasyong vector](../../phases/11-llm-engineering/04-embeddings/) | Buuin | Python |
| 05 | [Context Engineering](../../phases/11-llm-engineering/05-context-engineering/) | Buuin | Python |
| 06 | [RAG: Retrieval-Augmented Generation](../../phases/11-llm-engineering/06-rag/) | Buuin | Python |
| 07 | [Mas malalim na RAG: paghahati at muling pagraranggo](../../phases/11-llm-engineering/07-advanced-rag/) | Buuin | Python |
| 08 | [Fine-tuning gamit ang LoRA at QLoRA](../../phases/11-llm-engineering/08-fine-tuning-lora/) | Buuin | Python |
| 09 | [Pagtawag ng function at paggamit ng tool](../../phases/11-llm-engineering/09-function-calling/) | Buuin | Python |
| 10 | [Pagsusuri at pagsubok](../../phases/11-llm-engineering/10-evaluation/) | Buuin | Python |
| 11 | [Caching, paglilimita ng rate at gastos](../../phases/11-llm-engineering/11-caching-cost/) | Buuin | Python |
| 12 | [Mga guardrail at kaligtasan](../../phases/11-llm-engineering/12-guardrails/) | Buuin | Python |
| 13 | [Pagbuo ng LLM app para sa aktuwal na paggamit](../../phases/11-llm-engineering/13-production-app/) | Buuin | Python |
| 14 | [Model Context Protocol (MCP)](../../phases/11-llm-engineering/14-model-context-protocol/) | Buuin | Python |
| 15 | [Pag-cache ng prompt at konteksto](../../phases/11-llm-engineering/15-prompt-caching/) | Buuin | Python |
| 16 | [Mga state machine ng agent: graph, node, checkpoint](../../phases/11-llm-engineering/16-langgraph-state-machines/) | Buuin | Python |
| 17 | [Mga kapalit na pakinabang sa pagpili ng agent framework](../../phases/11-llm-engineering/17-agent-framework-tradeoffs/) | Pag-aralan | Python |
Yugto 12: AI na may maraming modality25 aralinTumingin, makinig, bumasa at mangatwiran sa iba't ibang modality: mula ViT patch hanggang agent na gumagamit ng computer.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Mga Vision Transformer at batayang patch-token](../../phases/12-multimodal-ai/01-vision-transformer-patch-tokens/) | Pag-aralan | Python |
| 02 | [CLIP at contrastive vision-language pre-training](../../phases/12-multimodal-ai/02-clip-contrastive-pretraining/) | Buuin | Python |
| 03 | [BLIP-2 Q-Former bilang tulay ng mga modality](../../phases/12-multimodal-ai/03-blip2-qformer-bridge/) | Buuin | Python |
| 04 | [Flamingo at gated cross-attention](../../phases/12-multimodal-ai/04-flamingo-gated-cross-attention/) | Pag-aralan | Python |
| 05 | [LLaVA at visual instruction tuning](../../phases/12-multimodal-ai/05-llava-visual-instruction-tuning/) | Buuin | Python |
| 06 | [Vision sa anumang resolution: Patch-n'-Pack at NaFlex](../../phases/12-multimodal-ai/06-any-resolution-patch-n-pack/) | Buuin | Python |
| 07 | [Mga pamamaraan para sa VLM na bukas ang timbang: ang talagang mahalaga](../../phases/12-multimodal-ai/07-open-weight-vlm-recipes/) | Pag-aralan | Python |
| 08 | [LLaVA-OneVision: iisang larawan, maraming larawan, video](../../phases/12-multimodal-ai/08-llava-onevision-single-multi-video/) | Buuin | Python |
| 09 | [Pamilya ng Qwen-VL at video na may dynamic FPS](../../phases/12-multimodal-ai/09-qwen-vl-family-dynamic-fps/) | Pag-aralan | Python |
| 10 | [Katutubong multimodal pre-training ng InternVL3](../../phases/12-multimodal-ai/10-internvl3-native-multimodal/) | Pag-aralan | Python |
| 11 | [Chameleon: maagang pagsasanib gamit lamang ang token](../../phases/12-multimodal-ai/11-chameleon-early-fusion-tokens/) | Buuin | Python |
| 12 | [Emu3: paghula ng susunod na token para sa paglikha](../../phases/12-multimodal-ai/12-emu3-next-token-for-generation/) | Pag-aralan | Python |
| 13 | [Transfusion: autoregressive at diffusion](../../phases/12-multimodal-ai/13-transfusion-autoregressive-diffusion/) | Buuin | Python |
| 14 | [Show-o: pinagsamang discrete diffusion](../../phases/12-multimodal-ai/14-show-o-discrete-diffusion-unified/) | Pag-aralan | Python |
| 15 | [Janus-Pro: magkahiwalay na encoder](../../phases/12-multimodal-ai/15-janus-pro-decoupled-encoders/) | Buuin | Python |
| 16 | [MIO: streaming mula sa alinman tungo sa alinman](../../phases/12-multimodal-ai/16-mio-any-to-any-streaming/) | Pag-aralan | Python |
| 17 | [Pag-uugnay sa oras sa video-language](../../phases/12-multimodal-ai/17-video-language-temporal-grounding/) | Buuin | Python |
| 18 | [Mahabang video sa kontekstong milyong token](../../phases/12-multimodal-ai/18-long-video-million-token/) | Buuin | Python |
| 19 | [Mga audio-language model: mula Whisper hanggang AF3](../../phases/12-multimodal-ai/19-audio-language-whisper-to-af3/) | Buuin | Python |
| 20 | [Mga Omni model: streaming ng Thinker-Talker](../../phases/12-multimodal-ai/20-omni-models-thinker-talker/) | Buuin | Python |
| 21 | [Mga VLA na may pisikal na katawan: RT-2, OpenVLA, π0, GR00T](../../phases/12-multimodal-ai/21-embodied-vlas-openvla-pi0-groot/) | Pag-aralan | Python |
| 22 | [Pag-unawa sa dokumento at diagram](../../phases/12-multimodal-ai/22-document-diagram-understanding/) | Buuin | Python |
| 23 | [ColPali: RAG ng dokumentong nakabatay sa vision](../../phases/12-multimodal-ai/23-colpali-vision-native-rag/) | Buuin | Python |
| 24 | [Multimodal RAG at pagkuha sa magkaibang modality](../../phases/12-multimodal-ai/24-multimodal-rag-cross-modal/) | Buuin | Python |
| 25 | [Mga multimodal agent at paggamit ng computer (pangwakas na proyekto)](../../phases/12-multimodal-ai/25-multimodal-agents-computer-use/) | Buuin | Python |
Yugto 13: Mga kasangkapan at protocol31 aralinMga interface sa pagitan ng AI at tunay na mundo.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Ang interface ng tool](../../phases/13-tools-and-protocols/01-the-tool-interface/) | Pag-aralan | Python |
| 02 | [Malalimang pag-aaral ng pagtawag ng function](../../phases/13-tools-and-protocols/02-function-calling-deep-dive/) | Buuin | Python |
| 03 | [Sabay-sabay at streaming na pagtawag ng tool](../../phases/13-tools-and-protocols/03-parallel-and-streaming-tool-calls/) | Buuin | Python |
| 04 | [Output na may estruktura](../../phases/13-tools-and-protocols/04-structured-output/) | Buuin | Python |
| 05 | [Pagdisenyo ng schema ng tool](../../phases/13-tools-and-protocols/05-tool-schema-design/) | Pag-aralan | Python |
| 06 | [Mga pundasyon ng MCP: stateless na request at JSON-RPC](../../phases/13-tools-and-protocols/06-mcp-fundamentals/) | Pag-aralan | Python |
| 07 | [Pagbuo ng MCP server: stateless na Python at TypeScript](../../phases/13-tools-and-protocols/07-building-an-mcp-server/) | Buuin | Python, TypeScript |
| 08 | [Pagbuo ng MCP client: pagtuklas, routing at fallback sa dalawang panahon](../../phases/13-tools-and-protocols/08-building-an-mcp-client/) | Buuin | Python |
| 09 | [Mga transport ng MCP: stdio at stateless Streamable HTTP](../../phases/13-tools-and-protocols/09-mcp-transports/) | Pag-aralan | Python |
| 10 | [Mga resource at prompt ng MCP: kontekstong may address para sa stateless server](../../phases/13-tools-and-protocols/10-mcp-resources-and-prompts/) | Buuin | Python |
| 11 | [Input ng modelo sa MCP: paglipat ng sampling at stateless MRTR](../../phases/13-tools-and-protocols/11-mcp-sampling/) | Buuin | Python |
| 12 | [Malinaw na saklaw at stateless na pagkuha ng impormasyon](../../phases/13-tools-and-protocols/12-mcp-roots-and-elicitation/) | Buuin | Python |
| 13 | [Extension ng mga task sa MCP: matibay na trabaho sa stateless na core](../../phases/13-tools-and-protocols/13-mcp-async-tasks/) | Buuin | Python |
| 14 | [MCP Apps sa stateless na protocol](../../phases/13-tools-and-protocols/14-mcp-apps/) | Buuin | Python |
| 15 | [Seguridad ng MCP: mapaminsalang metadata, routing at kalagayan ng MRTR](../../phases/13-tools-and-protocols/15-mcp-security-tool-poisoning/) | Pag-aralan | Python |
| 16 | [Awtorisasyon ng MCP: CIMD, pagtali sa issuer, PKCE at step-up](../../phases/13-tools-and-protocols/16-mcp-security-oauth-2-1/) | Buuin | Python |
| 17 | [Mga stateless MCP gateway at pagtanggap sa registry](../../phases/13-tools-and-protocols/17-mcp-gateways-and-registries/) | Pag-aralan | Python |
| 18 | [MCP auth sa aktuwal na paggamit: enrollment at token na nakatali sa issuer](../../phases/13-tools-and-protocols/18-mcp-auth-production/) | Buuin | Python |
| 19 | [Protocol na A2A](../../phases/13-tools-and-protocols/19-a2a-protocol/) | Buuin | Python |
| 20 | [OpenTelemetry GenAI](../../phases/13-tools-and-protocols/20-opentelemetry-genai/) | Buuin | Python |
| 21 | [Layer ng routing para sa LLM](../../phases/13-tools-and-protocols/21-llm-routing-layer/) | Pag-aralan | Python |
| 22 | [Agent Skills: portable na kontrata at hangganan ng runtime](../../phases/13-tools-and-protocols/22-skills-and-agent-sdks/) | Buuin | Python |
| 23 | [Pangwakas na proyekto: stateless na ekosistema ng tool](../../phases/13-tools-and-protocols/23-capstone-tool-ecosystem/) | Buuin | Python |
| 24 | [Pagtuklas ng skill at unti-unting pagbubunyag](../../phases/13-tools-and-protocols/24-skill-discovery-and-progressive-disclosure/) | Buuin | Python |
| 25 | [Pagtawag at routing ng skill](../../phases/13-tools-and-protocols/25-skill-invocation-and-routing/) | Buuin | Python |
| 26 | [Mga pahintulot, sandbox at tiwala sa skill](../../phases/13-tools-and-protocols/26-skill-permissions-sandboxes-and-trust/) | Buuin | Python |
| 27 | [Pagsusuri, pag-package at portability ng skill](../../phases/13-tools-and-protocols/27-skill-evals-packaging-and-portability/) | Buuin | Python |
| 28 | [Mga kontrata at nilalaman ng tool sa MCP](../../phases/13-tools-and-protocols/28-mcp-tool-contracts-and-content/) | Buuin | Python |
| 29 | [Pagiging maaasahan, pagkansela at kontrol ng daloy sa MCP](../../phases/13-tools-and-protocols/29-mcp-reliability-cancellation-and-flow-control/) | Buuin | Python |
| 30 | [Supply chain ng registry ng MCP: pagtanggap, paglihis at rollback](../../phases/13-tools-and-protocols/30-mcp-registry-supply-chain-and-drift/) | Buuin | Python |
| 31 | [Engineering ng pagsunod sa MCP: bersiyon, ebidensiya at operasyon](../../phases/13-tools-and-protocols/31-mcp-conformance-versioning-and-operations/) | Buuin | Python |
Binubuo ng mga aralin 06-18 at 28-31 ang nakatuong [landas ng Model Context Protocol (MCP)](../../learning-paths/model-context-protocol.json). Ang pagkakasunod sa manifest ay 06, 07, 08, 09, 10, 11, 12, 13, 14, 15, 16, 18, 17, 28, 29, 30, 31. Simulan gamit ang pagtawag sa `learn-mcp` para sa host mo sa itaas. Ang aralin 23 ang tanging opsiyonal na pangwakas na proyekto at kailangan din nito ang mga Aralin 19 at 20.
Binubuo ng mga aralin 22 at 24-27 ang nakatuong [landas sa pag-aaral ng Agent Skills](../../learning-paths/agent-skills.json), mula sa kontrata ng package hanggang sa mga tarangkahan ng release sa tunay na host. Simulan gamit ang pagtawag sa `learn-agent-skills` para sa host mo sa itaas; huwag sundin ang numerong nabigasyon mula 22 papuntang 23.
Yugto 14: Engineering ng agent54 aralinBumuo ng agent mula sa unang mga prinsipyo, gumamit ng coding agent nang maaasahan at linawin ang trabaho bago ipatupad.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Ang paulit-ulit na siklo ng agent](../../phases/14-agent-engineering/01-the-agent-loop/) | Buuin | Python |
| 02 | [ReWOO at pagpaplano bago pagpapatupad](../../phases/14-agent-engineering/02-rewoo-plan-and-execute/) | Buuin | Python |
| 03 | [Reflexion at reinforcement learning sa pamamagitan ng salita](../../phases/14-agent-engineering/03-reflexion-verbal-rl/) | Buuin | Python |
| 04 | [Tree of Thoughts at LATS](../../phases/14-agent-engineering/04-tree-of-thoughts-lats/) | Buuin | Python |
| 05 | [Self-Refine at CRITIC](../../phases/14-agent-engineering/05-self-refine-and-critic/) | Buuin | Python |
| 06 | [Paggamit ng tool at pagtawag ng function](../../phases/14-agent-engineering/06-tool-use-and-function-calling/) | Buuin | Python |
| 07 | [Memorya ng agent: virtual na konteksto at memory paging](../../phases/14-agent-engineering/07-memory-virtual-context-memgpt/) | Buuin | Python |
| 08 | [Mga memory block at pagkalkula habang nagpapahinga](../../phases/14-agent-engineering/08-memory-blocks-sleep-time-compute/) | Buuin | Python |
| 09 | [Pinagsamang memorya: vector, graph at KV](../../phases/14-agent-engineering/09-hybrid-memory-mem0/) | Buuin | Python |
| 10 | [Mga library ng skill at panghabambuhay na pagkatuto (Voyager)](../../phases/14-agent-engineering/10-skill-libraries-voyager/) | Buuin | Python |
| 11 | [Pagpaplano gamit ang HTN at evolutionary search](../../phases/14-agent-engineering/11-planning-htn-and-evolutionary/) | Buuin | Python |
| 12 | [Mga workflow pattern ng Anthropic](../../phases/14-agent-engineering/12-anthropic-workflow-patterns/) | Buuin | Python |
| 13 | [Orkestrasyon ng graph na may state: matibay na pagpapatupad at checkpoint](../../phases/14-agent-engineering/13-langgraph-stateful-graphs/) | Buuin | Python |
| 14 | [Ang Actor model para sa mga agent](../../phases/14-agent-engineering/14-autogen-actor-model/) | Buuin | Python |
| 15 | [Mga pangkat ng agent ayon sa papel: papel, gawain, proseso](../../phases/14-agent-engineering/15-crewai-role-based-crews/) | Buuin | Python |
| 16 | [OpenAI Agents SDK: handoff, guardrail, tracing](../../phases/14-agent-engineering/16-openai-agents-sdk/) | Buuin | Python |
| 17 | [Ang harness bilang library: mga subagent at imbakan ng session](../../phases/14-agent-engineering/17-claude-agent-sdk/) | Buuin | Python |
| 18 | [Mga runtime ng agent para sa aktuwal na paggamit](../../phases/14-agent-engineering/18-agno-and-mastra-runtimes/) | Pag-aralan | Python |
| 19 | [Mga benchmark: SWE-bench, GAIA, AgentBench](../../phases/14-agent-engineering/19-benchmarks-swebench-gaia/) | Pag-aralan | Python |
| 20 | [Mga benchmark: WebArena at OSWorld](../../phases/14-agent-engineering/20-benchmarks-webarena-osworld/) | Pag-aralan | Python |
| 21 | [Paggamit ng computer: Claude, OpenAI CUA, Gemini](../../phases/14-agent-engineering/21-computer-use-agents/) | Buuin | Python |
| 22 | [Mga voice agent: Pipecat at LiveKit](../../phases/14-agent-engineering/22-voice-agents-pipecat-livekit/) | Buuin | Python |
| 23 | [Mga semantikong kumbensiyon ng OpenTelemetry GenAI](../../phases/14-agent-engineering/23-otel-genai-conventions/) | Buuin | Python |
| 24 | [Pagmamasid sa agent: Langfuse, Phoenix, Opik](../../phases/14-agent-engineering/24-agent-observability-platforms/) | Pag-aralan | Python |
| 25 | [Debate at pagtutulungan ng maraming agent](../../phases/14-agent-engineering/25-multi-agent-debate/) | Buuin | Python |
| 26 | [Mga paraan ng pagkabigo: bakit pumapalya ang mga agent](../../phases/14-agent-engineering/26-failure-modes-agentic/) | Buuin | Python |
| 27 | [Prompt injection at depensang PVE](../../phases/14-agent-engineering/27-prompt-injection-defense/) | Buuin | Python |
| 28 | [Mga pattern ng orkestrasyon: supervisor, swarm, hierarchy](../../phases/14-agent-engineering/28-orchestration-patterns/) | Buuin | Python |
| 29 | [Mga runtime sa aktuwal na paggamit: queue, event, cron](../../phases/14-agent-engineering/29-production-runtimes/) | Pag-aralan | Python |
| 30 | [Pagbuo ng agent na ginagabayan ng pagsusuri](../../phases/14-agent-engineering/30-eval-driven-agent-development/) | Buuin | Python |
| 31 | [Workbench ng agent: bakit pumapalya pa rin ang mahusay na modelo](../../phases/14-agent-engineering/31-agent-workbench-why-models-fail/) | Pag-aralan | Python |
| 32 | [Ang pinakamaliit na workbench ng agent](../../phases/14-agent-engineering/32-minimal-agent-workbench/) | Buuin | Python |
| 33 | [Mga tagubilin sa agent bilang naipapatupad na limitasyon](../../phases/14-agent-engineering/33-instructions-as-executable-constraints/) | Buuin | Python |
| 34 | [Memorya ng repository at pangmatagalang state](../../phases/14-agent-engineering/34-repo-memory-and-state/) | Buuin | Python |
| 35 | [Mga script ng pagsisimula para sa agent](../../phases/14-agent-engineering/35-initialization-scripts/) | Buuin | Python |
| 36 | [Mga kontrata ng saklaw at hangganan ng gawain](../../phases/14-agent-engineering/36-scope-contracts/) | Buuin | Python |
| 37 | [Mga siklo ng feedback habang tumatakbo](../../phases/14-agent-engineering/37-runtime-feedback-loops/) | Buuin | Python |
| 38 | [Mga tarangkahan ng pagpapatunay](../../phases/14-agent-engineering/38-verification-gates/) | Buuin | Python |
| 39 | [Reviewer agent: ihiwalay ang tagabuo sa tagapagsuri](../../phases/14-agent-engineering/39-reviewer-agent/) | Buuin | Python |
| 40 | [Handoff sa maraming session](../../phases/14-agent-engineering/40-multi-session-handoff/) | Buuin | Python |
| 41 | [Ang workbench sa tunay na repository](../../phases/14-agent-engineering/41-workbench-for-real-repos/) | Buuin | Python |
| 42 | [Pangwakas na proyekto: maglabas ng reusable na Agent Workbench Pack](../../phases/14-agent-engineering/42-agent-workbench-capstone/) | Buuin | Python |
| 43 | [Linawin ang gawain bago magsulat ng code ang agent](../../phases/14-agent-engineering/43-frame-the-task-before-code/) | Buuin | Python |
| 44 | [Bumuo ng planong may batayang ebidensiya](../../phases/14-agent-engineering/44-plan-from-evidence/) | Buuin | Python |
| 45 | [Ipamahagi ang trabaho ng agent na may paghihiwalay at kontrata ng merge](../../phases/14-agent-engineering/45-delegate-with-isolation/) | Buuin | Python |
| 46 | [Gawing pagpapahusay ng sistema ang bawat pagwawasto sa agent](../../phases/14-agent-engineering/46-turn-feedback-into-system/) | Buuin | Python |
| 47 | [Tukuyin ang resulta bago piliin ang output](../../phases/14-agent-engineering/47-outcomes-before-output/) | Buuin | Python |
| 48 | [Tuklasin ang workflow na aktuwal na ginagawa ng mga tao](../../phases/14-agent-engineering/48-discover-the-real-workflow/) | Buuin | Python |
| 49 | [Imapa ang mga palagay at unahing lutasin ang pinakamapanganib](../../phases/14-agent-engineering/49-map-assumptions-and-risk/) | Buuin | Python |
| 50 | [Piliin ang pinakamaliit na bahaging makapagbabago ng pasya](../../phases/14-agent-engineering/50-choose-the-smallest-testable-slice/) | Buuin | Python |
| 51 | [Sumulat ng espesipikasyong nagpapanatili ng wastong paghatol](../../phases/14-agent-engineering/51-write-specifications-that-preserve-judgment/) | Buuin | Python |
| 52 | [Idisenyo ang sukatan ng tagumpay bago magkaroon ng resulta](../../phases/14-agent-engineering/52-design-success-metrics/) | Buuin | Python |
| 53 | [Sadyang pumili ng prototype, pilot o production](../../phases/14-agent-engineering/53-prototype-pilot-or-production/) | Buuin | Python |
| 54 | [Bumuo ng mekanismo ng nagpapatuloy na feedback na may pananagutan at pagreretiro](../../phases/14-agent-engineering/54-build-the-feedback-ratchet/) | Buuin | Python |
May `mission.md` ang bawat workbench na aralin sa Yugto 14 (31-42) upang ihanda ang agent bago nito buksan ang buong dokumento ng aralin.
Binubuo ng mga aralin 31-46 ang [landas ng Engineering na may Tulong ng Agent](../../learning-paths/using-coding-agents.json). Pinagsasama ng pagkakasunod sa manifest ang pundasyon ng workbench sa paglilinaw ng gawain, pagpaplano, delegasyon, at feedback na nananatili sa mga susunod na session. Binubuo ng mga aralin 47-54 ang [landas ng Pagpapasya at Paghahatid ng Produkto](../../learning-paths/shaping-the-build.json), mula sa paglilinaw ng resulta hanggang sa ebidensiya, panganib, saklaw, pagsukat, unti-unting release, at pananagutan sa feedback.
Yugto 15: Mga nagsasariling sistema22 aralinMga agent para sa pangmatagalang gawain, sariling pagpapahusay at mga tool ng kaligtasan sa 2026.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Mula chatbot tungo sa pangmatagalang agent (METR)](../../phases/15-autonomous-systems/01-long-horizon-agents/) | Pag-aralan | Python |
| 02 | [STaR, V-STaR, Quiet-STaR: sariling pagkatuto ng pangangatwiran](../../phases/15-autonomous-systems/02-star-family-reasoning/) | Pag-aralan | Python |
| 03 | [AlphaEvolve: mga evolutionary coding agent](../../phases/15-autonomous-systems/03-alphaevolve-evolutionary-coding/) | Pag-aralan | Python |
| 04 | [Darwin Gödel Machine: mga agent na binabago ang sarili](../../phases/15-autonomous-systems/04-darwin-godel-machine/) | Pag-aralan | Python |
| 05 | [AI Scientist v2: pananaliksik sa antas ng workshop](../../phases/15-autonomous-systems/05-ai-scientist-v2/) | Pag-aralan | Python |
| 06 | [Awtomatikong pananaliksik sa alignment (Anthropic AAR)](../../phases/15-autonomous-systems/06-automated-alignment-research/) | Pag-aralan | Python |
| 07 | [Paulit-ulit na sariling pagpapahusay: kakayahan laban sa alignment](../../phases/15-autonomous-systems/07-recursive-self-improvement/) | Pag-aralan | Python |
| 08 | [Mga disenyong may hangganan sa sariling pagpapahusay](../../phases/15-autonomous-systems/08-bounded-self-improvement/) | Pag-aralan | Python |
| 09 | [Tanawin ng mga autonomous coding agent (SWE-bench, CodeAct)](../../phases/15-autonomous-systems/09-coding-agent-landscape/) | Pag-aralan | Python |
| 10 | [Mga mode ng pahintulot para sa autonomous agent](../../phases/15-autonomous-systems/10-claude-code-permission-modes/) | Pag-aralan | Python |
| 11 | [Mga browser agent at di-tuwirang prompt injection](../../phases/15-autonomous-systems/11-browser-agents/) | Pag-aralan | Python |
| 12 | [Matibay na pagpapatupad para sa agent na matagal tumatakbo](../../phases/15-autonomous-systems/12-durable-execution/) | Pag-aralan | Python |
| 13 | [Mga badyet ng aksiyon, limitasyon ng pag-ulit, kontrol ng gastos](../../phases/15-autonomous-systems/13-cost-governors/) | Pag-aralan | Python |
| 14 | [Mga kill switch, circuit breaker at canary token](../../phases/15-autonomous-systems/14-kill-switches-canaries/) | Pag-aralan | Python |
| 15 | [HITL: magmungkahi bago magpatupad](../../phases/15-autonomous-systems/15-propose-then-commit/) | Pag-aralan | Python |
| 16 | [Mga checkpoint at rollback](../../phases/15-autonomous-systems/16-checkpoints-rollback/) | Pag-aralan | Python |
| 17 | [Constitutional AI at pag-override ng tuntunin](../../phases/15-autonomous-systems/17-constitutional-ai/) | Pag-aralan | Python |
| 18 | [Llama Guard at pag-uuri ng input/output](../../phases/15-autonomous-systems/18-llama-guard/) | Pag-aralan | Python |
| 19 | [Anthropic Responsible Scaling Policy v3.0](../../phases/15-autonomous-systems/19-anthropic-rsp/) | Pag-aralan | Python |
| 20 | [OpenAI Preparedness Framework at DeepMind FSF](../../phases/15-autonomous-systems/20-openai-preparedness-deepmind-fsf/) | Pag-aralan | Python |
| 21 | [Mga time horizon ng METR at panlabas na pagsusuri](../../phases/15-autonomous-systems/21-metr-external-evaluation/) | Pag-aralan | Python |
| 22 | [CAIS, CAISI at panganib sa antas ng lipunan](../../phases/15-autonomous-systems/22-cais-caisi-societal-risk/) | Pag-aralan | Python |
Yugto 16: Maraming agent at swarm25 aralinKoordinasyon, pag-usbong at sama-samang katalinuhan.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Bakit maraming agent](../../phases/16-multi-agent-and-swarms/01-why-multi-agent/) | Pag-aralan | TypeScript |
| 02 | [Pamana ng FIPA-ACL at mga speech act](../../phases/16-multi-agent-and-swarms/02-fipa-acl-heritage/) | Pag-aralan | Python |
| 03 | [Mga protocol ng komunikasyon](../../phases/16-multi-agent-and-swarms/03-communication-protocols/) | Buuin | TypeScript |
| 04 | [Ang modelo ng batayang sangkap ng maraming agent](../../phases/16-multi-agent-and-swarms/04-primitive-model/) | Pag-aralan | Python |
| 05 | [Pattern ng supervisor / orchestrator-worker](../../phases/16-multi-agent-and-swarms/05-supervisor-orchestrator-pattern/) | Buuin | Python |
| 06 | [Arkitekturang hirarkikal at paglihis sa paghahati](../../phases/16-multi-agent-and-swarms/06-hierarchical-architecture/) | Pag-aralan | Python |
| 07 | [Society of Mind at debate ng maraming agent](../../phases/16-multi-agent-and-swarms/07-society-of-mind-debate/) | Buuin | Python |
| 08 | [Espesyalisasyon ng papel: planner / critic / executor / verifier](../../phases/16-multi-agent-and-swarms/08-role-specialization/) | Buuin | Python |
| 09 | [Mga arkitekturang sabay-sabay na swarm at network](../../phases/16-multi-agent-and-swarms/09-parallel-swarm-networks/) | Buuin | Python |
| 10 | [Group chat at pagpili ng magsasalita](../../phases/16-multi-agent-and-swarms/10-group-chat-speaker-selection/) | Buuin | Python |
| 11 | [Mga handoff at routine (stateless na orkestrasyon)](../../phases/16-multi-agent-and-swarms/11-handoffs-and-routines/) | Buuin | Python |
| 12 | [A2A: ang protocol sa pagitan ng mga agent](../../phases/16-multi-agent-and-swarms/12-a2a-protocol/) | Buuin | Python |
| 13 | [Mga pattern ng iisang memorya at blackboard](../../phases/16-multi-agent-and-swarms/13-shared-memory-blackboard/) | Buuin | Python |
| 14 | [Consensus at Byzantine fault tolerance](../../phases/16-multi-agent-and-swarms/14-consensus-and-bft/) | Buuin | Python |
| 15 | [Botohan, self-consistency at hugis ng debate](../../phases/16-multi-agent-and-swarms/15-voting-debate-topology/) | Buuin | Python |
| 16 | [Negosasyon at pagtatawaran](../../phases/16-multi-agent-and-swarms/16-negotiation-bargaining/) | Buuin | Python |
| 17 | [Mga generative agent at umuusbong na simulation](../../phases/16-multi-agent-and-swarms/17-generative-agents-simulation/) | Buuin | Python |
| 18 | [Theory of Mind at umuusbong na koordinasyon](../../phases/16-multi-agent-and-swarms/18-theory-of-mind-coordination/) | Buuin | Python |
| 19 | [Pag-optimize ng swarm (PSO, ACO)](../../phases/16-multi-agent-and-swarms/19-swarm-optimization-pso-aco/) | Buuin | Python |
| 20 | [MARL: MADDPG, QMIX, MAPPO](../../phases/16-multi-agent-and-swarms/20-marl-maddpg-qmix-mappo/) | Pag-aralan | Python |
| 21 | [Ekonomiya ng agent, insentibong token, reputasyon](../../phases/16-multi-agent-and-swarms/21-agent-economies/) | Pag-aralan | Python |
| 22 | [Pag-scale sa aktuwal na paggamit: queue, checkpoint, tibay](../../phases/16-multi-agent-and-swarms/22-production-scaling-queues-checkpoints/) | Buuin | Python |
| 23 | [Mga paraan ng pagkabigo: MAST, groupthink, monoculture](../../phases/16-multi-agent-and-swarms/23-failure-modes-mast-groupthink/) | Pag-aralan | Python |
| 24 | [Mga benchmark ng pagsusuri at koordinasyon](../../phases/16-multi-agent-and-swarms/24-evaluation-coordination-benchmarks/) | Pag-aralan | Python |
| 25 | [Mga pag-aaral ng kaso at pinakamakabagong kalagayan noong 2026](../../phases/16-multi-agent-and-swarms/25-case-studies-2026-sota/) | Pag-aralan | Python |
Yugto 17: Imprastruktura at aktuwal na paggamit28 aralinDalhin ang AI sa tunay na mundo.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Mga pinamamahalaang platform ng LLM: Bedrock, Azure OpenAI, Vertex AI](../../phases/17-infrastructure-and-production/01-managed-llm-platforms/) | Pag-aralan | Python |
| 02 | [Ekonomiya ng inference platform: Fireworks, Together, Baseten, Modal](../../phases/17-infrastructure-and-production/02-inference-platform-economics/) | Pag-aralan | Python |
| 03 | [Awtomatikong pag-scale ng GPU sa Kubernetes: Karpenter, KAI Scheduler](../../phases/17-infrastructure-and-production/03-gpu-autoscaling-kubernetes/) | Pag-aralan | Python |
| 04 | [Loob ng serving engine: PagedAttention, tuloy-tuloy na batching, hinating prefill](../../phases/17-infrastructure-and-production/04-vllm-serving-internals/) | Pag-aralan | Python |
| 05 | [Speculative decoding ng EAGLE-3 sa aktuwal na paggamit](../../phases/17-infrastructure-and-production/05-eagle3-speculative-decoding/) | Pag-aralan | Python |
| 06 | [Serving na may prefix cache: RadixAttention at muling paggamit ng KV](../../phases/17-infrastructure-and-production/06-sglang-radixattention/) | Pag-aralan | Python |
| 07 | [Inference compilation para sa partikular na hardware: FP8 at NVFP4 sa Blackwell](../../phases/17-infrastructure-and-production/07-tensorrt-llm-blackwell/) | Pag-aralan | Python |
| 08 | [Mga sukatan ng inference: TTFT, TPOT, ITL, Goodput, P99](../../phases/17-infrastructure-and-production/08-inference-metrics-goodput/) | Pag-aralan | Python |
| 09 | [Quantization sa aktuwal na paggamit: AWQ, GPTQ, GGUF, FP8, NVFP4](../../phases/17-infrastructure-and-production/09-production-quantization/) | Pag-aralan | Python |
| 10 | [Pagbawas ng cold start para sa serverless LLM](../../phases/17-infrastructure-and-production/10-cold-start-mitigation/) | Pag-aralan | Python |
| 11 | [Serving ng LLM sa maraming rehiyon at lokasyon ng KV cache](../../phases/17-infrastructure-and-production/11-multi-region-kv-locality/) | Pag-aralan | Python |
| 12 | [Inference sa edge: ANE, Hexagon, WebGPU, Jetson](../../phases/17-infrastructure-and-production/12-edge-inference/) | Pag-aralan | Python |
| 13 | [Pagpili ng mga tool sa pagmamasid ng LLM](../../phases/17-infrastructure-and-production/13-llm-observability/) | Pag-aralan | Python |
| 14 | [Ekonomiya ng prompt caching at semantic caching](../../phases/17-infrastructure-and-production/14-prompt-semantic-caching/) | Pag-aralan | Python |
| 15 | [Mga batch API: ang 50% diskuwento bilang pamantayan ng industriya](../../phases/17-infrastructure-and-production/15-batch-apis/) | Pag-aralan | Python |
| 16 | [Model routing bilang batayang paraan ng pagbawas ng gastos](../../phases/17-infrastructure-and-production/16-model-routing/) | Pag-aralan | Python |
| 17 | [Hiwalay na prefill/decode: NVIDIA Dynamo at llm-d](../../phases/17-infrastructure-and-production/17-disaggregated-prefill-decode/) | Pag-aralan | Python |
| 18 | [Serving stack sa aktuwal na paggamit: KV offloading at cache-aware routing](../../phases/17-infrastructure-and-production/18-vllm-production-stack-lmcache/) | Pag-aralan | Python |
| 19 | [Mga AI gateway: LiteLLM, Portkey, Kong, Bifrost](../../phases/17-infrastructure-and-production/19-ai-gateways/) | Pag-aralan | Python |
| 20 | [Shadow, canary at unti-unting deployment](../../phases/17-infrastructure-and-production/20-shadow-canary-progressive/) | Pag-aralan | Python |
| 21 | [A/B testing ng mga tampok ng LLM: GrowthBook at Statsig](../../phases/17-infrastructure-and-production/21-ab-testing-llm-features/) | Pag-aralan | Python |
| 22 | [Load testing ng mga LLM API: k6, LLMPerf, GenAI-Perf](../../phases/17-infrastructure-and-production/22-load-testing-llm-apis/) | Buuin | Python |
| 23 | [SRE para sa AI: pagtugon ng maraming agent sa insidente](../../phases/17-infrastructure-and-production/23-sre-for-ai/) | Pag-aralan | Python |
| 24 | [Chaos engineering para sa production LLM](../../phases/17-infrastructure-and-production/24-chaos-engineering-llm/) | Pag-aralan | Python |
| 25 | [Seguridad: mga secret, paglilinis ng PII, audit log](../../phases/17-infrastructure-and-production/25-security-secrets-audit/) | Pag-aralan | Python |
| 26 | [Pagsunod: SOC 2, HIPAA, GDPR, EU AI Act, ISO 42001](../../phases/17-infrastructure-and-production/26-compliance-frameworks/) | Pag-aralan | Python |
| 27 | [FinOps para sa LLM: ekonomiya bawat yunit at paglalaan sa maraming tenant](../../phases/17-infrastructure-and-production/27-finops-llms/) | Pag-aralan | Python |
| 28 | [Pagpili ng sariling hosting: pagtutugma ng engine sa hardware at scale](../../phases/17-infrastructure-and-production/28-self-hosted-serving-selection/) | Pag-aralan | Python |
Yugto 18: Etika, kaligtasan at alignment30 aralinBumuo ng AI na tumutulong sa sangkatauhan. Hindi ito opsiyonal.
| # | Aralin | Uri | Wika |
|:---:|--------|:----:|------|
| 01 | [Pagsunod sa tagubilin bilang senyales ng alignment](../../phases/18-ethics-safety-alignment/01-instruction-following-alignment-signal/) | Pag-aralan | Python |
| 02 | [Reward hacking at batas ni Goodhart](../../phases/18-ethics-safety-alignment/02-reward-hacking-goodhart/) | Pag-aralan | Python |
| 03 | [Pamilya ng direktang pag-optimize ng kagustuhan](../../phases/18-ethics-safety-alignment/03-direct-preference-optimization-family/) | Pag-aralan | Python |
| 04 | [Pambobola bilang pagpapalakas ng RLHF](../../phases/18-ethics-safety-alignment/04-sycophancy-rlhf-amplification/) | Pag-aralan | Python |
| 05 | [Constitutional AI at RLAIF](../../phases/18-ethics-safety-alignment/05-constitutional-ai-rlaif/) | Pag-aralan | Python |
| 06 | [Mesa-optimization at mapanlinlang na alignment](../../phases/18-ethics-safety-alignment/06-mesa-optimization-deceptive-alignment/) | Pag-aralan | Python |
| 07 | [Mga sleeper agent: patuloy na panlilinlang](../../phases/18-ethics-safety-alignment/07-sleeper-agents-persistent-deception/) | Pag-aralan | Python |
| 08 | [Pagpapakana sa konteksto ng mga frontier model](../../phases/18-ethics-safety-alignment/08-in-context-scheming-frontier-models/) | Pag-aralan | Python |
| 09 | [Pagpapanggap ng alignment](../../phases/18-ethics-safety-alignment/09-alignment-faking/) | Pag-aralan | Python |
| 10 | [Pagkontrol sa AI: kaligtasan sa kabila ng pagsabotahe](../../phases/18-ethics-safety-alignment/10-ai-control-subversion/) | Pag-aralan | Python |
| 11 | [Pangangasiwang lumalawak at weak-to-strong](../../phases/18-ethics-safety-alignment/11-scalable-oversight-weak-to-strong/) | Pag-aralan | Python |
| 12 | [Red-teaming: PAIR at mga awtomatikong pag-atake](../../phases/18-ethics-safety-alignment/12-red-teaming-pair-automated-attacks/) | Buuin | Python |
| 13 | [Many-shot na jailbreak](../../phases/18-ethics-safety-alignment/13-many-shot-jailbreaking/) | Pag-aralan | Python |
| 14 | [Sining na ASCII at visual na jailbreak](../../phases/18-ethics-safety-alignment/14-ascii-art-visual-jailbreaks/) | Buuin | Python |
| 15 | [Di-tuwirang prompt injection](../../phases/18-ethics-safety-alignment/15-indirect-prompt-injection/) | Buuin | Python |
| 16 | [Mga tool ng red-team: Garak, Llama Guard, PyRIT](../../phases/18-ethics-safety-alignment/16-red-team-tooling-garak-llamaguard-pyrit/) | Buuin | Python |
| 17 | [WMDP at pagsusuri ng kakayahang may dalawahang gamit](../../phases/18-ethics-safety-alignment/17-wmdp-dual-use-evaluation/) | Pag-aralan | Python |
| 18 | [Mga framework ng frontier safety: RSP, PF, FSF](../../phases/18-ethics-safety-alignment/18-frontier-safety-frameworks-rsp-pf-fsf/) | Pag-aralan | Python |
| 19 | [Pananaliksik sa kapakanan ng modelo](../../phases/18-ethics-safety-alignment/19-model-welfare-research/) | Pag-aralan | Python |
| 20 | [Bias at pinsala sa representasyon](../../phases/18-ethics-safety-alignment/20-bias-representational-harm/) | Buuin | Python |
| 21 | [Mga pamantayan ng katarungan: pangkat, indibidwal, counterfactual](../../phases/18-ethics-safety-alignment/21-fairness-criteria-group-individual-counterfactual/) | Pag-aralan | Python |
| 22 | [Differential privacy para sa LLM](../../phases/18-ethics-safety-alignment/22-differential-privacy-for-llms/) | Buuin | Python |
| 23 | [Paglalagay ng watermark: SynthID, Stable Signature, C2PA](../../phases/18-ethics-safety-alignment/23-watermarking-synthid-stable-signature-c2pa/) | Buuin | Python |
| 24 | [Mga balangkas ng regulasyon: EU, US, UK, Korea](../../phases/18-ethics-safety-alignment/24-regulatory-frameworks-eu-us-uk-korea/) | Pag-aralan | Python |
| 25 | [EchoLeak at mga CVE para sa AI](../../phases/18-ethics-safety-alignment/25-echoleak-cves-for-ai/) | Pag-aralan | Python |
| 26 | [Mga card ng modelo, sistema at dataset](../../phases/18-ethics-safety-alignment/26-model-system-dataset-cards/) | Buuin | Python |
| 27 | [Pinagmulan ng datos at pamamahala ng datos sa training](../../phases/18-ethics-safety-alignment/27-data-provenance-training-governance/) | Pag-aralan | Python |
| 28 | [Ekosistema ng pananaliksik sa alignment: MATS, Redwood, Apollo, METR](../../phases/18-ethics-safety-alignment/28-alignment-research-ecosystem/) | Pag-aralan | Python |
| 29 | [Mga sistema ng moderation: OpenAI, Perspective, Llama Guard](../../phases/18-ethics-safety-alignment/29-moderation-systems-openai-perspective-llamaguard/) | Buuin | Python |
| 30 | [Panganib ng dalawahang gamit: cyber, bio, chem, nuclear](../../phases/18-ethics-safety-alignment/30-dual-use-risk-cyber-bio-chem-nuclear/) | Pag-aralan | Python |
Yugto 19: Mga pangwakas na proyekto85 aralin17 kumpletong produkto + 9 landas ng malalimang pagbuo. 20-40 oras bawat proyekto; 4-12 aralin bawat landas.
| # | Proyekto | Pinagsasama | Wika |
|:---:|---------|----------|------|
| 01 | [Coding agent na direktang nasa terminal](../../phases/19-capstone-projects/01-terminal-native-coding-agent/) | P0 P5 P7 P10 P11 P13 P14 P15 P17 P18 | Python |
| 02 | [RAG sa codebase (semantikong paghahanap sa maraming repository)](../../phases/19-capstone-projects/02-rag-over-codebase/) | P5 P7 P11 P13 P17 | Python |
| 03 | [Katulong na may boses sa tunay na oras (ASR → LLM → TTS)](../../phases/19-capstone-projects/03-realtime-voice-assistant/) | P6 P7 P11 P13 P14 P17 | Python |
| 04 | [Multimodal na pagtatanong sa dokumento (inuuna ang vision)](../../phases/19-capstone-projects/04-multimodal-document-qa/) | P4 P5 P7 P11 P12 P17 | Python |
| 05 | [Autonomous na research agent (antas ng AI-Scientist)](../../phases/19-capstone-projects/05-autonomous-research-agent/) | P0 P2 P3 P7 P10 P14 P15 P16 P18 | Python |
| 06 | [Agent sa pagresolba ng problema sa DevOps para sa Kubernetes](../../phases/19-capstone-projects/06-devops-troubleshooting-agent/) | P11 P13 P14 P15 P17 P18 | Python |
| 07 | [Pipeline ng fine-tuning mula simula hanggang dulo](../../phases/19-capstone-projects/07-end-to-end-fine-tuning-pipeline/) | P2 P3 P7 P10 P11 P17 P18 | Python |
| 08 | [Production RAG chatbot (reguladong larangan)](../../phases/19-capstone-projects/08-production-rag-chatbot/) | P5 P7 P11 P12 P17 P18 | Python |
| 09 | [Agent sa paglilipat ng code (pag-upgrade sa antas ng repository)](../../phases/19-capstone-projects/09-code-migration-agent/) | P5 P7 P11 P13 P14 P15 P17 | Python |
| 10 | [Pangkat ng software engineering na maraming agent](../../phases/19-capstone-projects/10-multi-agent-software-team/) | P11 P13 P14 P15 P16 P17 | Python |
| 11 | [Dashboard sa pagmamasid at pagsusuri ng LLM](../../phases/19-capstone-projects/11-llm-observability-dashboard/) | P11 P13 P17 P18 | Python |
| 12 | [Pipeline sa pag-unawa ng video (eksena → tanong at sagot)](../../phases/19-capstone-projects/12-video-understanding-pipeline/) | P4 P6 P7 P11 P12 P17 | Python |
| 13 | [Stateless na MCP server na may registry at pamamahala](../../phases/19-capstone-projects/13-mcp-server-with-registry/) | P11 P13 P14 P17 P18 | Python |
| 14 | [Inference server na may speculative decoding](../../phases/19-capstone-projects/14-speculative-decoding-server/) | P3 P7 P10 P17 | Python |
| 15 | [Constitutional safety harness at lugar ng pagsubok ng red-team](../../phases/19-capstone-projects/15-constitutional-safety-harness/) | P10 P11 P13 P14 P18 | Python |
| 16 | [Autonomous na agent mula GitHub issue hanggang PR](../../phases/19-capstone-projects/16-github-issue-to-pr-agent/) | P11 P13 P14 P15 P17 | Python |
| 17 | [Personal na AI tutor (umaangkop, multimodal)](../../phases/19-capstone-projects/17-personal-ai-tutor/) | P5 P6 P11 P12 P14 P17 P18 | Python |
**Mga landas ng malalimang pagbuo**: serye ng mga araling bumubuo ng buong subsystem mula sa simula.
| # | Proyekto | Pinagsasama | Wika |
|:---:|---------|----------|------|
| 20 | [Kontrata ng siklo ng agent harness](../../phases/19-capstone-projects/20-agent-harness-loop-contract/) | A. Harness ng agent | Python |
| 21 | [Registry ng tool na may pagpapatunay ng schema](../../phases/19-capstone-projects/21-tool-registry-schema-validation/) | A. Harness ng agent | Python |
| 22 | [JSON-RPC 2.0 sa stdio na pinaghihiwalay ng bagong linya](../../phases/19-capstone-projects/22-jsonrpc-stdio-transport/) | A. Harness ng agent | Python |
| 23 | [Tagapamahagi ng tawag sa function](../../phases/19-capstone-projects/23-function-call-dispatcher/) | A. Harness ng agent | Python |
| 24 | [Daloy ng kontrol sa pagpaplano at pagpapatupad](../../phases/19-capstone-projects/24-plan-execute-control-flow/) | A. Harness ng agent | Python |
| 25 | [Mga tarangkahan ng pagpapatunay at badyet ng obserbasyon](../../phases/19-capstone-projects/25-verification-gates-observation-budget/) | A. Harness ng agent | Python |
| 26 | [Sandbox runner na may denylist at kulungan ng path](../../phases/19-capstone-projects/26-sandbox-runner-denylist/) | A. Harness ng agent | Python |
| 27 | [Eval harness na may mga nakahandang task](../../phases/19-capstone-projects/27-eval-harness-fixture-tasks/) | A. Harness ng agent | Python |
| 28 | [Pagmamasid gamit ang mga span ng OTel GenAI at sukatan ng Prometheus](../../phases/19-capstone-projects/28-observability-otel-traces/) | A. Harness ng agent | Python |
| 29 | [Kumpletong coding agent sa harness](../../phases/19-capstone-projects/29-end-to-end-coding-task-demo/) | A. Harness ng agent | Python |
| 30 | [BPE tokenizer mula sa simula](../../phases/19-capstone-projects/30-bpe-tokenizer-from-scratch/) | B. NLP LLM | Python |
| 31 | [Tokenized na dataset na may sliding window](../../phases/19-capstone-projects/31-tokenized-dataset-sliding-window/) | B. NLP LLM | Python |
| 32 | [Mga embedding ng token at posisyon](../../phases/19-capstone-projects/32-token-positional-embeddings/) | B. NLP LLM | Python |
| 33 | [Self-attention na maraming head](../../phases/19-capstone-projects/33-multihead-self-attention/) | B. NLP LLM | Python |
| 34 | [Transformer block mula sa simula](../../phases/19-capstone-projects/34-transformer-block/) | B. NLP LLM | Python |
| 35 | [Pagbuo ng modelo ng GPT](../../phases/19-capstone-projects/35-gpt-model-assembly/) | B. NLP LLM | Python |
| 36 | [Siklo ng training at pagsusuri](../../phases/19-capstone-projects/36-training-loop-eval/) | B. NLP LLM | Python |
| 37 | [Pag-load ng mga timbang na na-pretrain](../../phases/19-capstone-projects/37-loading-pretrained-weights/) | B. NLP LLM | Python |
| 38 | [Fine-tuning ng classifier sa pagpapalit ng head](../../phases/19-capstone-projects/38-classifier-finetuning/) | B. NLP LLM | Python |
| 39 | [Instruction tuning sa pamamagitan ng supervised fine-tuning](../../phases/19-capstone-projects/39-instruction-tuning-sft/) | B. NLP LLM | Python |
| 40 | [Direktang pag-optimize ng kagustuhan mula sa simula](../../phases/19-capstone-projects/40-dpo-from-scratch/) | B. NLP LLM | Python |
| 41 | [Buong pipeline ng pagsusuri](../../phases/19-capstone-projects/41-eval-pipeline/) | B. NLP LLM | Python |
| 42 | [Pang-download ng malaking corpus](../../phases/19-capstone-projects/42-large-corpus-downloader/) | C. Training mula simula hanggang dulo | Python |
| 43 | [Tokenized na corpus sa HDF5](../../phases/19-capstone-projects/43-hdf5-tokenized-corpus/) | C. Training mula simula hanggang dulo | Python |
| 44 | [Cosine learning rate na may linear warmup](../../phases/19-capstone-projects/44-cosine-lr-warmup/) | C. Training mula simula hanggang dulo | Python |
| 45 | [Gradient clipping at halo-halong precision](../../phases/19-capstone-projects/45-gradient-clipping-amp/) | C. Training mula simula hanggang dulo | Python |
| 46 | [Pag-iipon ng gradient](../../phases/19-capstone-projects/46-gradient-accumulation/) | C. Training mula simula hanggang dulo | Python |
| 47 | [Pag-save ng checkpoint at pagpapatuloy](../../phases/19-capstone-projects/47-checkpoint-save-resume/) | C. Training mula simula hanggang dulo | Python |
| 48 | [Distributed Data Parallel at FSDP mula sa simula](../../phases/19-capstone-projects/48-distributed-fsdp-ddp/) | C. Training mula simula hanggang dulo | Python |
| 49 | [Harness sa pagsusuri ng language model](../../phases/19-capstone-projects/49-lm-eval-harness/) | C. Training mula simula hanggang dulo | Python |
| 50 | [Tagalikha ng haypotesis](../../phases/19-capstone-projects/50-hypothesis-generator/) | D. Awtomatikong pananaliksik | Python |
| 51 | [Pagkuha ng literatura](../../phases/19-capstone-projects/51-literature-retrieval/) | D. Awtomatikong pananaliksik | Python |
| 52 | [Tagapagpatakbo ng eksperimento](../../phases/19-capstone-projects/52-experiment-runner/) | D. Awtomatikong pananaliksik | Python |
| 53 | [Tagasuri ng resulta](../../phases/19-capstone-projects/53-result-evaluator/) | D. Awtomatikong pananaliksik | Python |
| 54 | [Tagasulat ng papel-pananaliksik](../../phases/19-capstone-projects/54-paper-writer/) | D. Awtomatikong pananaliksik | Python |
| 55 | [Siklo ng pagpuna](../../phases/19-capstone-projects/55-critic-loop/) | D. Awtomatikong pananaliksik | Python |
| 56 | [Tagapag-iskedyul ng pag-ulit](../../phases/19-capstone-projects/56-iteration-scheduler/) | D. Awtomatikong pananaliksik | Python |
| 57 | [Demo ng pananaliksik mula simula hanggang dulo](../../phases/19-capstone-projects/57-end-to-end-research-demo/) | D. Awtomatikong pananaliksik | Python |
| 58 | [Mga patch ng vision encoder](../../phases/19-capstone-projects/58-vision-encoder-patches/) | E. VLM na maraming modality | Python |
| 59 | [Vision Transformer Encoder](../../phases/19-capstone-projects/59-vit-transformer/) | E. VLM na maraming modality | Python |
| 60 | [Projection layer para sa pagtutugma ng modality](../../phases/19-capstone-projects/60-projection-layer-modality-align/) | E. VLM na maraming modality | Python |
| 61 | [Pagsasanib sa pamamagitan ng cross-attention](../../phases/19-capstone-projects/61-cross-attention-fusion/) | E. VLM na maraming modality | Python |
| 62 | [Pre-training ng vision-language](../../phases/19-capstone-projects/62-vision-language-pretraining/) | E. VLM na maraming modality | Python |
| 63 | [Pagsusuri ng multimodal](../../phases/19-capstone-projects/63-multimodal-eval/) | E. VLM na maraming modality | Python |
| 64 | [Paghahambing ng mga estratehiya ng paghahati](../../phases/19-capstone-projects/64-chunking-strategies-advanced/) | F. RAG na mas mataas na antas | Python |
| 65 | [Pinagsamang pagkuha gamit ang BM25 at dense embedding](../../phases/19-capstone-projects/65-hybrid-retrieval-bm25-dense/) | F. RAG na mas mataas na antas | Python |
| 66 | [Cross-encoder na tagapag-ayos muli ng ranggo](../../phases/19-capstone-projects/66-reranker-cross-encoder/) | F. RAG na mas mataas na antas | Python |
| 67 | [Muling pagsulat ng query: HyDE, maraming query at paghahati](../../phases/19-capstone-projects/67-query-rewriting-hyde/) | F. RAG na mas mataas na antas | Python |
| 68 | [Pagsusuri ng RAG: Precision, Recall, MRR, nDCG, katapatan, kaugnayan ng sagot](../../phases/19-capstone-projects/68-rag-eval-precision-recall/) | F. RAG na mas mataas na antas | Python |
| 69 | [Kumpletong sistema ng RAG](../../phases/19-capstone-projects/69-end-to-end-rag-system/) | F. RAG na mas mataas na antas | Python |
| 70 | [Format ng espesipikasyon ng task](../../phases/19-capstone-projects/70-task-spec-format/) | G. Framework ng pagsusuri | Python |
| 71 | [Mga tradisyonal na sukatan](../../phases/19-capstone-projects/71-classical-metrics/) | G. Framework ng pagsusuri | Python |
| 72 | [Sukatan ng pagpapatakbo ng code](../../phases/19-capstone-projects/72-code-exec-metric/) | G. Framework ng pagsusuri | Python |
| 73 | [Perplexity at calibration](../../phases/19-capstone-projects/73-perplexity-calibration/) | G. Framework ng pagsusuri | Python |
| 74 | [Pagsasama-sama ng leaderboard](../../phases/19-capstone-projects/74-leaderboard-aggregation/) | G. Framework ng pagsusuri | Python |
| 75 | [Tagapagpatakbo ng buong pagsusuri](../../phases/19-capstone-projects/75-end-to-end-eval-runner/) | G. Framework ng pagsusuri | Python |
| 76 | [Mga collective operation mula sa simula](../../phases/19-capstone-projects/76-collective-ops-from-scratch/) | H. Ipinamahaging training | Python |
| 77 | [Data-parallel DDP mula sa simula](../../phases/19-capstone-projects/77-data-parallel-ddp/) | H. Ipinamahaging training | Python |
| 78 | [Paghahati ng state ng ZeRO optimizer](../../phases/19-capstone-projects/78-zero-parameter-sharding/) | H. Ipinamahaging training | Python |
| 79 | [Pipeline parallelism at pagsusuri ng mga puwang](../../phases/19-capstone-projects/79-pipeline-parallel/) | H. Ipinamahaging training | Python |
| 80 | [Hinating checkpoint at atomic na pagpapatuloy](../../phases/19-capstone-projects/80-checkpoint-sharded-resume/) | H. Ipinamahaging training | Python |
| 81 | [Distributed training mula simula hanggang dulo](../../phases/19-capstone-projects/81-end-to-end-distributed-train/) | H. Ipinamahaging training | Python |
| 82 | [Pag-uuri ng jailbreak](../../phases/19-capstone-projects/82-jailbreak-taxonomy/) | I. Harness ng kaligtasan | Python |
| 83 | [Tagapagtukoy ng prompt injection](../../phases/19-capstone-projects/83-prompt-injection-detector/) | I. Harness ng kaligtasan | Python |
| 84 | [Pagsusuri ng pagtanggi](../../phases/19-capstone-projects/84-refusal-evaluation/) | I. Harness ng kaligtasan | Python |
| 85 | [Integrasyon ng content classifier](../../phases/19-capstone-projects/85-content-classifier-integration/) | I. Harness ng kaligtasan | Python |
| 86 | [Engine ng mga tuntuning constitutional](../../phases/19-capstone-projects/86-constitutional-rules-engine/) | I. Harness ng kaligtasan | Python, YAML |
| 87 | [Tarangkahan ng kaligtasan mula simula hanggang dulo](../../phases/19-capstone-projects/87-end-to-end-safety-gate/) | I. Harness ng kaligtasan | Python |
## Mga aklat at sertipikasyon
Basahin ang pangunahing kurikulum bilang aklat
Ang pangunahing kurikulum na may 20 yugto sa `phases/` ay binubuo bilang serye ng anim na tomo. Ginagawa ng CI ang EPUB at PDF mula sa parehong pinagmulang aralin at ikinakabit sa bawat [release sa GitHub](https://github.com/rohitg00/ai-engineering-from-scratch/releases); palaging tumuturo sa pinakabagong release ang mga link sa ibaba. Ang numero ng tomo ay pagkakasunod sa serye, hindi bersiyon: may petsa ng edisyon ang bawat kopya, at maaari pa ring i-download ang mga lumang edisyon mula sa kani-kanilang release.
Sadyang hindi ginagawang aklat ang mga kurikulum ng sertipikasyon. Nananatiling ganap na suportado sa GitHub at website ang state ng AI tutor, mga lab na napapatakbo, interaktibong larawan, panimulang pagsusuri, at mga mock exam na may takdang oras.
| Tomo | Pamagat | Mga yugto | I-download |
|-----|-------|--------|----------|
| 1 | Pundasyon · Matematika, mga kasangkapan at klasikal na machine learning | 00-02 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol1-foundations.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol1-foundations.pdf) |
| 2 | Deep Learning · Mga network, vision at pagsasalita | 03, 04, 06 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol2-deep-learning.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol2-deep-learning.pdf) |
| 3 | Wika · Mga pundasyon ng NLP at Transformer | 05, 07 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol3-language.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol3-language.pdf) |
| 4 | Malalaking Language Model · Paglikha, reinforcement, pre-training at engineering | 08-11 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol4-llms.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol4-llms.pdf) |
| 5 | Mga Agent · Multimodality, protocol, awtonomiya at swarm | 12-16 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol5-agents.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol5-agents.pdf) |
| 6 | Aktuwal na Paggamit · Imprastruktura, kaligtasan at pangwakas na proyekto | 17-19 | [EPUB](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol6-production.epub) · [PDF](https://github.com/rohitg00/ai-engineering-from-scratch/releases/latest/download/aiefs-vol6-production.pdf) |
Ang aklat ay larawan sa isang sandali; ang repository na ito ang patuloy na umuunlad na edisyon. Nagtatapos ang bawat kabanata sa mga link pabalik sa mga animated na larawan, pagsusulit, at napapatakbong code ng aralin. Buuin nang lokal gamit ang `python3 scripts/build_book.py` (kailangan ang pandoc); nasa [book/README.md](../../book/README.md) ang detalye ng pipeline.
Maghanda para sa mga sertipikasyon ng Claude
Ang [Claude Certification Academy](../../certifications/claude/README.md) ay libre at open source na programa sa paghahanda para sa lahat ng apat na opisyal na landas ng sertipikasyon ng Claude: Associate Foundations, Developer Foundations, Architect Foundations, at Architect Professional. Pinagsasama ng bawat ruta ang mga araling nakaayon sa balangkas ng pagsusulit, mga lab na napapatakbo, panimulang pagsusuri, pangwakas na proyekto, at isang orihinal na pagsasanay na pagsusulit na buong haba.
Gamitin ang [gabay sa pagsisimula sa GitHub gamit ang AI](../../certifications/claude/GETTING_STARTED.md) kasama ng Claude Code, Codex, ChatGPT, Cursor, o ibang agent. Patakbuhin ang `claude-certification` sa Codex, `/claude-certification` sa Claude Code, o hilingin sa ibang host na gamitin ang `claude-certification`. Pumipili ito ng landas, gumagawa ng patuloy na ruta sa `CLAUDE-CERTIFICATION.md`, nagtuturo nang paisa-isang hakbang, nagpapatakbo ng tunay na lab, at nagbibigay ng feedback batay sa mga nagawa. Nasa [website ng sertipikasyon](https://aiengineeringfromscratch.com/certifications.html) din ang parehong kurikulum.
Ang akademya ay independiyenteng materyal sa pag-aaral batay sa mga pampublikong layunin ng pagsusulit. Hindi ito kaanib ng Anthropic, hindi nito kinokopya ang mga tanong sa aktuwal na pagsusulit, at hindi nito magagarantiya ang pagpasa.
Maghanda para sa sertipikasyong MCP Associate (MCPA)
Ang [Kurikulum ng Sertipikasyong MCPA](../../certifications/mcpa/README.md) ay libre at open source na programa sa paghahanda para sa pagsusulit na Model Context Protocol Associate ng Agentic AI Foundation, na inihahatid sa pamamagitan ng Linux Foundation Training. Itinuturo ng 34 aralin nito ang stateless na protocol na 2026-07-28 sa limang larangan ng pagsusulit: `_meta` sa bawat request at `server/discover` kapalit ng lumang handshake, mga request na maraming balikan, subscription, caching, mga extension na tasks at MCP Apps, awtorisasyong OAuth, at mga antas ng registry at SDK. May napapatakbong lab gamit ang standard library ang bawat aralin, at sinusuri ang transcript nito laban sa kasalukuyang format ng komunikasyon. Dagdag sa landas ang panimulang pagsusuri, pangwakas na proyekto, at tatlong orihinal na pagsasanay na pagsusulit na buong haba, na sumusunod ang halo ng tanong sa inilathalang timbang ng balangkas.
Gamitin ang [gabay sa pagsisimula sa GitHub gamit ang AI](../../certifications/mcpa/GETTING_STARTED.md) kasama ng Claude Code, Codex, ChatGPT, Cursor, o ibang agent. Patakbuhin ang `mcpa-certification` sa Codex, `/mcpa-certification` sa Claude Code, o hilingin sa ibang host na gamitin ang `mcpa-certification`. Gumagawa ito ng patuloy na ruta sa `MCPA-CERTIFICATION.md`, nagtuturo nang paisa-isang hakbang, nagpapatakbo ng tunay na lab, at nagbibigay ng feedback batay sa mga nagawa. Nasa [pahina ng landas ng MCPA](https://aiengineeringfromscratch.com/certification?id=mcpa-f) din ang parehong kurikulum.
Ang kurikulum na ito ay independiyenteng materyal sa pag-aaral batay sa mga pampublikong layunin ng pagsusulit. Hindi ito kaanib ng Agentic AI Foundation o Linux Foundation, hindi nito kinokopya ang mga tanong sa aktuwal na pagsusulit, at hindi nito magagarantiya ang pagpasa.
## Mga kasangkapan
Bawat aralin ay gumagawa ng artifact na magagamit muli. I-install ito sa iyong agent o gamitin ang mga script sa ibaba mula sa ugat ng repository.
Estruktura ng aralin at magagamit-muling artifact
## Estruktura ng isang aralin
May sariling folder ang bawat aralin, na pare-pareho ang estruktura sa buong kurikulum:
```text
phases/-/-/
├── code/ mga implementasyong napapatakbo (Python, TypeScript, Rust, Julia)
├── docs/
│ └── en.md paliwanag ng aralin
└── outputs/ mga prompt, skill, agent o MCP server na ginagawa ng araling ito
```
May anim na hakbang ang bawat aralin. Ang paghahating *Buuin / Gamitin* ang sentro: ipinatutupad mo muna ang algorithm mula sa simula, pagkatapos ay pinapatakbo ang parehong bagay gamit ang library para sa aktuwal na trabaho. Naiintindihan mo ang ginagawa ng framework dahil isinulat mo mismo ang mas maliit na bersiyon.
```mermaid
%%{init: {'theme':'base','themeVariables':{'primaryColor':'#fafaf5','primaryTextColor':'#1a1a1a','primaryBorderColor':'#3553ff','lineColor':'#3553ff','fontFamily':'JetBrains Mono','fontSize':'13px'}}}%%
flowchart LR
M["PRINSIPYO pangunahing ideya sa isang linya"] --> Pr["PROBLEMA tiyak na suliranin"]
Pr --> C["KONSEPTO mga diagram at pag-unawa"]
C --> B["BUUIN mismong matematika, walang framework"]
B --> U["GAMITIN pareho sa PyTorch / sklearn"]
U --> S["ILABAS mga prompt · skill · agent · MCP"]
```
## Bawat aralin ay may nagagawang bagay
Nagtatapos ang ibang kurikulum sa *"binabati kita, natutuhan mo ang X."* Nagtatapos ang bawat aralin dito sa **kasangkapang magagamit muli** na maaari mong i-install o idikit sa araw-araw mong trabaho.
FIG_001 · A MGA PROMPT
FIG_001 · B MGA SKILL
FIG_001 · C MGA AGENT
FIG_001 · D MGA MCP SERVER
Idikit sa anumang AI assistant para sa tulong na antas ng eksperto sa isang tiyak na gawain.
Ilagay sa Claude, Cursor, Codex, OpenClaw, Hermes o anumang agent na nagbabasa ng SKILL.md.
I-deploy bilang mga nagsasariling worker: ikaw mismo ang sumulat ng siklo sa Yugto 14.
Ikabit sa anumang katugmang MCP client. Binuo mula simula hanggang dulo sa Yugto 13.
I-install ang mga artifact ng aralin
**Mga nagawa sa aralin.** May 396 skill at 99 prompt ang repository sa `phases/**/outputs/`; i-install ang mga ito gamit ang `scripts/install_skills.py`. Kailangang i-clone ang repository. Sinusuportahan ang filter ayon sa tag, dry-run, at magkakaibang layout para sa agent:
```bash
python3 scripts/install_skills.py # every skill, default --layout skills (nested)
python3 scripts/install_skills.py --layout skills # same as above, explicit
python3 scripts/install_skills.py --type all # skills + prompts + agents
python3 scripts/install_skills.py --phase 14 # one phase only
python3 scripts/install_skills.py --tag rag # filter by tag
python3 scripts/install_skills.py --layout flat # flat files
python3 scripts/install_skills.py --dry-run # preview without writing
python3 scripts/install_skills.py --force # overwrite existing files
```
Ang `` ang directory ng mga skill para sa agent mo (mga halimbawa: `~/.claude/skills/`, `~/.cursor/skills/`, `~/.config/openclaw/skills/`, `.skills/`, o anumang path na binabasa ng agent).
Bilang default, tumatanggi ang script na palitan ang kasalukuyang destinasyon at lumalabas na may code 1 matapos ilista ang lahat ng nagbabanggaang path. Gamitin ang `--dry-run` upang tingnan muna ang mga banggaan o `--force` upang palitan. Sa bawat takbong hindi dry-run, nagsusulat ito ng `manifest.json` sa target na may buong imbentaryo ayon sa uri at yugto. Piliin ang layout na binabasa ng agent mo:
| `--layout` | Path na sinusulatan |
|---|---|
| `skills` | `//SKILL.md` (kumbensiyong magkakapatong, sinusuportahan ng Claude / Cursor / Codex / OpenClaw / Hermes) |
| `by-phase` | `/phase-NN/.md` |
| `flat` | `/.md` |
Ilagay ang workbench ng agent sa sarili mong repository
May reusable na Agent Workbench pack ang pangwakas na proyekto sa Yugto 14 (AGENTS.md, mga schema, script para sa init / verify / handoff). Gumawa ng balangkas nito sa anumang repository gamit ang:
```bash
python3 scripts/scaffold_workbench.py path/to/your-repo # full pack + seeds
python3 scripts/scaffold_workbench.py path/to/your-repo --minimal # skip docs/
python3 scripts/scaffold_workbench.py path/to/your-repo --dry-run # preview only
python3 scripts/scaffold_workbench.py path/to/your-repo --force # overwrite
```
Makukuha mo ang pitong magkakaugnay na bahagi ng workbench, panimulang `task_board.json`, at bagong `agent_state.json` na nasa `schema_version: 1`. Mula roon: i-edit ang gawain, i-edit ang `AGENTS.md`, patakbuhin ang `scripts/init_agent.py`, at ibigay ang kontrata sa agent. Nasa `phases/14-agent-engineering/42-agent-workbench-capstone/outputs/agent-workbench-pack/` ang pinagmulan ng pack.
Tingnan ang buong kurso bilang JSON
Sinusuyod ng `scripts/build_catalog.py` ang bawat yugto, aralin, at nagawa sa disk at nagsusulat ng `catalog.json` sa root ng repository. Isang file para sa lahat ng katotohanan tungkol sa kurso.
```bash
python3 scripts/build_catalog.py # writes /catalog.json
python3 scripts/build_catalog.py --stdout # to stdout, do not touch repo
python3 scripts/build_catalog.py --out path/to/file.json
```
Mula sa filesystem ang catalog, hindi mula sa README, kaya laging tumutugma ang mga bilang sa aktuwal na nasa disk. Gamitin ito sa pagbuo ng site, iba pang tool, o pagtiyak na hindi lumihis ang mga bilang sa README. Nakadokumento ang schema sa itaas ng script.
Ginagawa ng workflow ng kurikulum ang `catalog.json` bilang pansamantalang artifact na hindi sinusubaybayan ng Git. Huwag itong i-commit. Pinapatakbo rin ng workflow ang `audit_lessons.py` bilang kinakailangang pagsusuri.
Mabilis na suriin ang Python code ng bawat aralin
Bina-byte-compile ng `scripts/lesson_run.py` ang bawat `.py` file sa directory na `code/` ng bawat aralin. Pagsusuri lamang ng sintaks ang default: walang pagpapatakbo, API key, o mabibigat na ML dependency. Nahuhuli nito ang mga karaniwang regression mula sa ambag (maling indentation, sirang f-string, at ligaw na edit).
```bash
python3 scripts/lesson_run.py # syntax-check the whole curriculum
python3 scripts/lesson_run.py --phase 14 # one phase only
python3 scripts/lesson_run.py --json # JSON report on stdout
python3 scripts/lesson_run.py --strict # exit 1 if any lesson fails
python3 scripts/lesson_run.py --execute # actually run, 10s timeout per lesson
```
Pinapatakbo ng `--execute` ang `code/main.py` ng bawat aralin (o unang `.py` file) na may takdang 10 segundo. Nilalaktawan ang mga araling nagsisimula ang entry file sa komentong `# requires: pkg1, pkg2` na naglilista ng dependency na wala sa standard library, na may dahilang `needs `. Kusang pinipili ang script at hindi ito nakakabit sa CI.
Standard library lamang, Python 3.10+. Itakda ang `LINK_CHECK_SKIP=domain1,domain2` upang palitan ang default na listahan ng nilalaktawan (`twitter.com`, `x.com`, `linkedin.com`, `instagram.com`, `medium.com`, mga domain na mahigpit na humaharang sa awtomatikong HEAD/GET).
Mga pundasyong papel at protokol
- *Attention Is All You Need* — Vaswani et al., 2017 → [Yugto 7](#phase-7)
- *Language Models are Few-Shot Learners* (GPT-3) → [Yugto 10](#phase-10)
- *Denoising Diffusion Probabilistic Models* → [Yugto 8](#phase-8)
- *InstructGPT / RLHF* → [Yugto 10](#phase-10)
- *Direct Preference Optimization* → [Yugto 10](#phase-10)
- *Chain-of-Thought Prompting* → [Yugto 11](#phase-11)
- *ReAct: Reasoning + Acting in LLMs* → [Yugto 14](#phase-14)
- *Model Context Protocol* — Anthropic → [Yugto 13](#phase-13)
## Pag-aambag
| Layunin | Basahin |
|---|---|
| Mag-ambag ng aralin o pag-aayos | [CONTRIBUTING.md](../../CONTRIBUTING.md) |
| I-fork para sa pangkat o paaralan mo | [FORKING.md](../../FORKING.md) |
| Template ng aralin | [LESSON_TEMPLATE.md](../../LESSON_TEMPLATE.md) |
| Subaybayan ang progreso | [ROADMAP.md](../../ROADMAP.md) |
| Talasalitaan | [glossary/terms.md](../../glossary/terms.md) |
| Mga tuntunin ng asal | [CODE_OF_CONDUCT.md](../../CODE_OF_CONDUCT.md) |
Bago magsumite ng aralin, patakbuhin ang pagsusuri sa mga invariant:
```bash
python3 scripts/audit_lessons.py # full curriculum
python3 scripts/audit_lessons.py --phase 14 # single phase
python3 scripts/audit_lessons.py --json # CI-friendly output
```
Hindi zero ang exit code kapag may tuntuning hindi pumasa. Sinusuri ng mga tuntunin (L001–L010) ang anyo ng directory, pagkakaroon ng `docs/en.md` at H1, hindi pagiging walang laman ng `code/`, schema ng `quiz.json` (tinatanggihan ang lumang mga key na `q/choices/answer` na naging sanhi ng issue #102), at mga relative link sa dokumento ng aralin.
## Suportahan ang gawaing ito
114,584 mambabasa · 181,995 pagtingin sa pahina sa nakalipas na 30 araw · noong 2026-08-29
Libre, may lisensiyang MIT, 523 aralin. Salamat sa mga sponsor at tagasuportang ginagawang posible ang gawaing ito. [Tingnan ang lahat ng sponsor at tagasuporta](../../BACKERS.md).
Gustong suportahan ang gawaing ito? Tingnan ang [mga opsiyon sa sponsorship](../../SPONSORS.md), kasama ang [sponsorship ng hardware](../../SPONSORS.md#hardware-lab-partner), o [maging sponsor sa GitHub](https://github.com/sponsors/rohitg00).
Kung nakatulong sa iyo ang manwal na ito, bigyan ng star ang repository. Nakatutulong itong mapanatiling buhay ang proyekto.
## Lisensiya
MIT. Gamitin ayon sa gusto mo: i-fork, ituro, ibenta, o ilabas. Pinahahalagahan ang pagkilala sa may-akda, pero hindi ito kailangan.
Pinananatili ni [Rohit Ghumare](https://github.com/rohitg00) at ng komunidad.
@ghumare64 · aiengineeringfromscratch.com · Mag-ulat / Magmungkahi
