Andrew Ng के 7 courses पूरे किए दो साल हो गए: अगर आज शुरू करता, तो 2026 में मैं यह रास्ता लेता
लोग अब भी message करके पूछते हैं कि 2023 में मैंने जो 7 Andrew Ng courses recommend किए थे, क्या वही रास्ता आज भी सही है। Short answer: ज्यादातर courses हाँ, लेकिन उनके चारों तरफ जो roadmap है, वह बदल चुकी है। यह मेरा 2026 का update है — per-course verdicts के साथ, और builders और operators के लिए अलग-अलग branches में बंटी हुई राह।
अब भी लोग मुझे उस 2023 वाले post के बारे में message करते हैं। सबसे common सवाल, लगभग हूबहू एक जैसा: "क्या यह रास्ता 2026 में भी सही है?"
मुझे मानना होगा, मैं इस सवाल का पूरा जवाब देने में time ले रहा था, क्योंकि ईमानदार जवाब layered है। Andrew Ng के ज्यादातर courses आज भी टिकते हैं। उनके चारों तरफ जो roadmap मैंने बनाई थी, वह नहीं टिकती। यह post वही update है जो मुझ पर बकाया था।
अगर आप आज बिल्कुल zero से शुरू कर रहे हैं, जैसे मैं 2023 में कर रहा था, तो इस roadmap का foundation हिस्सा अब भी आप पर लागू होता है। बस इसकी जरूरत आपको मुझसे कम पड़ेगी, जिसकी वजहें आगे बताऊँगा।
एक heads up पहले ही दे देता हूँ: इनमें से कुछ verdicts गलत भी हो सकते हैं, और अगर आपका experience मुझसे अलग रहा है, तो मुझे सच में सुनना अच्छा लगेगा। मैं इस subject में अब भी एक student ही हूँ। बस इतना है कि पिछले दो साल मैंने यह कोशिश करते हुए बिताए हैं कि जो सीखा उससे कुछ ship करूँ।
1. उन 7 courses ने मुझे असल में क्या दिया
दो साल और context जोड़ने के बाद पीछे मुड़कर देखूँ, तो मुझे लगता है 2023 वाले courses ने मुझे साफ-साफ दो चीजें दीं, और एक चीज में मुझे कमजोर छोड़ दिया।
उन्होंने मुझे दिया vocabulary. Prompt engineering, retrieval-augmented generation, embeddings, function calling, chain-of-thought reasoning. ये अब भी वही शब्द हैं जो मैं अपनी हर technical बातचीत में use करता हूँ। जब मैं किसी AI में नए teammate को कोई tricky bug समझा रहा होता हूँ, हमारे बीच एक shared language होती है। वह language Andrew से आई है।
उन्होंने मुझे दिया confidence. मैं non-technical background से आता हूँ। उन courses के structure के बिना, मुझे नहीं लगता मुझमें building शुरू करने की हिम्मत आ पाती। एक अच्छा course यही कर सकता है। आपको सब कुछ नहीं सिखाता, लेकिन यकीन दिला देता है कि अगला कदम आप उठा सकते हैं।
जो वे नहीं दे सके, वह थी taste — यह sense कि एक prompt कब brittle होने वाला है, एक evaluation actually उसी चीज को measure कर रही है या नहीं जिसकी आपको परवाह है, और कब एक cost pattern production में फटने वाला है। यह सिर्फ तब आई जब मैंने असली users के सामने चीजें तोड़ीं। उसके पहले साल के बारे में मैंने यह 2024 का post लिखा था — तीन महीने बाद भी अटका हुआ था। दो साल बाद, मैं अलग चीजों पर अटकता हूँ, लेकिन अब भी अटकता ही हूँ।
Courses ने मुझे "अब मैं docs बिना घबराए पढ़ सकता हूँ" तक पहुँचा दिया। उसके बाद जो कुछ आया, वह सब shipping से आया।
2. पुरानी roadmap अब क्यों जल्दी पुरानी हो जाती है
यहाँ वह हिस्सा है जिसे 2023 post से मैं सबसे पहले rewrite करना चाहूँगा।
मैंने उन सात courses को एक complete on-ramp की तरह frame कर दिया था। वे नहीं थे, और कभी थे भी नहीं। वे एक foundation layer हैं। उनके चारों तरफ की roadmap पिछले दो सालों में खुद courses से कहीं ज्यादा बदली है।
मेरी short thesis: AI pair-programming ने execution को जितनी तेजी से compress किया है, judgment को उतनी तेजी से compress नहीं किया। इसीलिए foundation courses अब भी सही चीजें सिखाते हैं (judgment धीरे-धीरे पुरानी होती है), और यही वजह है कि मेरी learning stack में बाकी लगभग कुछ भी अब 2023 जैसा नहीं दिखता।
मेरी खुद की timeline, simple भाषा में:
- 2022 end: ChatGPT launch हुआ। हर कोई prompter बन गया।
- March 2025: Google Gemini 2.5 Pro मेरा रोज का coding driver बन गया। उस वक्त से model ऐसा code लिखने लगा जिसे मैं actually ship कर दूँ।
- March 2025 के आसपास: मैंने Claude Max subscribe किया, Anthropic का premium plan। उससे मुझे Claude Code मिला — एक terminal-based AI coding assistant, जो आपके अपने project के अंदर आपके साथ बैठकर code लिखता और edit करता है। उसने जल्दी ही मेरी daily work का एक बड़ा हिस्सा अपने कब्जे में ले लिया।
- March 2026: मैंने Codex (OpenAI का equivalent coding assistant) को Claude Code के साथ dual-wield करना शुरू किया।
- April 2026: मैंने 13 महीनों बाद Claude Max cancel किया और primarily Codex पर shift हो गया। 30-day experiment। Jury is out।
इस list पर हर step एक workflow change था, कोई course नहीं जो मैंने किया। जो चीज आप एक browser lecture से नहीं पा सकते, वह है यह देखने का experience कि आपकी अपनी repository को एक AI assistant आपकी आँखों के सामने refactor कर रहा है, जबकि आप उसका suggestion पढ़ रहे हैं। यह programming से कहीं ज्यादा "pressure में code review" जैसा लगता है, और 2026 की बहुत सारी असली learning वहीं होती है।
जितना worth है उतना जोड़ दूँ: मैंने building side पर भी काम किया। 2023 वाले post से अब तक मैंने तीन चीजें ship कीं: DIALOGUE, एक AI podcast generator; STRATUM, एक 9-agent marketing platform; और इस site का course platform। बीच-बीच में मैं courses भी करता रहा, ज्यादातर foundation fill करने वाले — जैसे Google IT Automation with Python और Cybersecurity Specialization। Courses ने मुझे literate रखा। Products ने मुझे competent बनाया।
इस सबका एक practical implication है: आपका learning पैसा अब कहाँ जाता है, वह बदल चुका है। 2023 में आप structured lectures के लिए पैसे देते थे और कुछ APIs के free tier पर build करते थे। 2026 में, lectures आपके bill का एक छोटा हिस्सा हैं; जिन tools के साथ आप code लिखते हैं, वे एक बड़ा ongoing cost हैं। अगर आप आज AI सीखने के लिए budget बना रहे हैं, तो tools के लिए भी budget रखिए, सिर्फ courses के लिए नहीं।
अगर आप builder नहीं हैं — अगर आप एक marketing leader हैं या एक operator हैं जो कभी खुद Claude Code नहीं चलाएगा — तो implication वही है, बस अलग शब्दों में: 2026 की learning path से आप असल में जो खरीद रहे हैं, वह tools के बारे में judgment है, किसी एक tool में fluency नहीं। Tools बदलते रहेंगे। यह judgment कि कब उन पर भरोसा करना है, कब उनके output को challenge करना है, और कब एक human को loop में रखना है — यही durable हिस्सा है।
3. 2026 का per-course verdict
यह section आपके लिए सबसे useful होगा, इसलिए मैं blunt रहूँगा, और जहाँ honest answer इस पर depend करता है कि आप कौन हैं, वहाँ verdict को थोड़ा soften करूँगा।
यह किसके लिए है: हर उस इंसान के लिए जो आज decide कर रहा है कि क्या लेना है। चाहे आप एक marketing operator हों जिसे team lead करने के लिए काफी AI literacy चाहिए, या एक builder हों जो ship करना चाहता है — नीचे verdicts दोनों में फर्क करते हैं जहाँ फर्क मायने रखता है।
| 2023 का course | 2026 का verdict | क्यों |
|---|---|---|
| Machine Learning Specialization | Time-box: 1–2 हफ्ते, math को skim करें | ज्यादातर readers के लिए सिर्फ vocabulary के लिए। Math-heavy derivations तभी worth हैं जब आप research में जा रहे हों। वरना skim कर लीजिए। |
| Generative AI for Everyone | हर किसी के लिए, अब भी लीजिए | Generative AI की सबसे बढ़िया non-technical framing जो मैंने देखी है। Gracefully पुरानी होती है। Seriously, इसे अपने CEO को भेज दीजिए। |
| ChatGPT Prompt Engineering for Developers | अब भी लीजिए, लेकिन cookbooks के साथ pair करके | Core patterns आज भी apply होते हैं। 2026-era APIs के लिए Anthropic और OpenAI के cookbooks के साथ pair कीजिए। |
| Building Systems with the ChatGPT API | Mental model के लिए लीजिए; specific API details पर भरोसा मत कीजिए | Moderation, chain-of-thought, chained prompts, output checks। अब भी सही हैं। Specific API surface कई बार बदल चुका है। |
| Neural Networks and Deep Learning | जब तक research में न जा रहे हों, skip कीजिए | 2023 में भी मैंने ML Specialization के साथ इसकी redundancy को flag किया था, और आज मैं यह और जोर देकर कहूँगा — builders और operators दोनों के लिए। |
| Functions, Tools, and Agents with LangChain | Commit करने से पहले current state देख लीजिए | जब मैंने 2025 में 9-agent platform बनाया, तो LangChain use नहीं किया। उसी साल पहले मैंने एक LangGraph agent try किया था और performance ceilings पर जाकर अटका, जिससे मैं एक simpler orchestration की तरफ shift हुआ। असली lesson agentic patterns हैं; specific framework choice आपकी है, और यह field मेरे 2025 के experience के बाद आगे बढ़ चुका है। मैं LangChain को वापस recommend करने से पहले fresh look लूँगा। |
| Vector Databases: from Embeddings to Applications | अब भी लीजिए, लेकिन short रखिए | यही वे patterns हैं जो अभी इस site के search को चलाते हैं। Provider-specific chapters जो पुराने हो गए हैं, skip कीजिए। |
इसे एक builder का view मानिए, universal ranking नहीं। अगर आप अलग goal के साथ आ रहे हैं (research, कोई specific stack), तो आपकी table अलग दिखेगी।
4. अब मैं क्या जोड़ूँगा, और रास्ता कहाँ forks होता है
इस मोड़ पर रास्ता fork हो जाता है। एक operator और एक builder को अलग second layers चाहिए।
अगर आप marketing leader या operator हैं
Tier 1. ऊपर की table में जो "Still take" rows हैं, वे लीजिए। Focus रखिए Generative AI for Everyone और Prompt Engineering for Developers पर। आप vocabulary और instinct खरीद रहे हैं।
Tier 2. Evaluations (एक तरीका यह measure करने का कि AI output actually अच्छा है या सिर्फ plausible दिख रहा है) और agent design (कैसे कई AI steps को जोड़कर एक reliable workflow बनानी है) के बारे में इतना जानिए कि आप team decisions ले सकें। आपको ये चीजें खुद build नहीं करनी हैं। आपको यह पता होना है कि कौन से सवाल पूछने हैं। हम असल में क्या measure कर रहे हैं? Failure कैसा दिखता है? Traces कहाँ रहते हैं? कितनी बार हम असली outputs review करते हैं? अगर आपकी team में कोई भी इनके जवाब साफ नहीं दे पाता, तो आप शायद एक demo देख रहे हैं, एक durable system नहीं। और अगर कोई आपसे कहे "AI खुद figure out कर लेगा," तो पूछिए कि उसे किस raw material में grounded किया जा रहा है। एक strong model real traces, accepted outputs, failure cases, और internal documents को draft eval criteria और एक seeded dataset में बदलने में मदद कर सकता है। यह useful है। लेकिन फिर भी एक human को rubric review करना और standard calibrate करना जरूरी है।
Tier 3. एक workflow redesign कीजिए। अपनी team के हफ्ते की सबसे छोटी असली चीज उठाइए — एक weekly report, एक brief intake, एक QA review — और उसे AI के साथ loop में rebuild कीजिए। उस rebuild को मैं कैसे frame करूँगा, इस पर post के अंत में लौटूँगा, लेकिन काम खुद तो आपका ही है।
अगर आप builder हैं
Tier 1. ऊपर की table वाले वही foundation courses।
Tier 2.
पढ़ने से नहीं, build करके शुरू कीजिए। एक free GitHub account बनाइए और अपनी पहली repository create कीजिए। Git इतना सीखिए कि छोटे commits कर सकें और कुछ तोड़ने पर cleanly roll back कर सकें। फिर एक असली project पर leading coding assistants में से किसी एक के साथ build करना शुरू कीजिए। मैंने Claude Code को Opus 4.7 के साथ और OpenAI Codex को GPT-5.4 के साथ, दोनों use किए हैं। Walkthrough ही असल काम है, और अगर आप शुरू करने से पहले ready feel करने का इंतजार करेंगे, तो शुरू ही नहीं करेंगे। जब अटकें तो अपने सामने वाले tool के docs पढ़िए, और "stack को पूरा पढ़ने" को एक और delay मत बनाइए।
एक बार कुछ चलने लगे, तो practical तरीके से evals सीखना शुरू कीजिए। असली inputs और outputs save कीजिए। कुछ ground-truth material इकट्ठा कीजिए। Workflow के हर step के लिए decide कीजिए कि "good" और "bad" कैसा दिखता है। फिर एक strong coding assistant का use कीजिए — Claude Code + Opus 4.7 xhigh thinking पर, या Codex + GPT-5.4 xhigh thinking पर — ताकि वह आपके लिए eval framework का scaffold बनाए, criteria propose करे, और एक initial dataset generate करे जो उन्हीं materials में grounded हो। उस setup का बहुत कुछ AI कर सकता है। जो उसे नहीं करना चाहिए, वह है आपके लिए चुपचाप standard define करना। Rubric खुद review कीजिए।
फिर MCP के basics सीखिए — Model Context Protocol: वह layer जो Codex जैसे tool को आपके बाकी stack से सीधे बात करने देता है। मेरे अपने workflow में, इस repo पर, इसका फिलहाल मतलब है Chrome DevTools, Playwright, Supabase, GitHub, Stripe, Resend, और Cloudflare। MCP 2023 में existed नहीं करता था, और अब यह इसका हिस्सा है कि मैं कैसे build करता हूँ।
Tier 3. कुछ ऐसा बनाइए जिसे कोई और use करे। Tutorial नहीं। Demo की copy नहीं। कुछ असली, जिसका एक असली user हो — भले वह user आपकी खुद की team में एक आदमी हो।
दोनों paths एक rule share करते हैं: जब तक कुछ असली run नहीं हो जाता, तब तक आप done नहीं हैं।
एक practical note, क्योंकि पैसा matter करता है: अगर coding assistant पर $20 a month अभी आपके लिए out of reach है, तो tooling tier फिलहाल छोड़ दीजिए। Foundation courses plus free-tier API keys अब भी काम करते हैं। मैंने 2023 में ऐसे ही शुरू किया था, और यह अब भी एक असली रास्ता है।
5. अब मैं क्या skip या time-box करूँगा
तीन traps, सब इसलिए आसानी से फँसने वाले क्योंकि वे progress जैसे लगते हैं।
- Procrastination के रूप में cert-collecting। यह मैंने किया है। यह productive लगता है। यह shipping का substitute नहीं है। Foundation certs लीजिए, फिर उन्हें गिनना बंद कीजिए।
- Framework-of-the-month courses। अगर कोई course किसी दो साल से कम पुराने framework से tightly bound है, तो सावधान रहिए। उसके बजाय framework के अपने docs पढ़िए, और courses पर तब वापस आइए जब field settle हो जाए।
- Math-heavy deep-learning theory, जब तक आप research में न जा रहे हों। एक builder को backpropagation खुद derive करने की जरूरत नहीं। एक leader को भी नहीं।
6. जो course मैंने अंत में खुद बनाया
Foundation courses के बाद जिस gap से मैं बार-बार टकराता रहा, वह technical नहीं था। वह operator-level judgment था। आप एक marketing team को AI के आसपास कैसे redesign करते हैं, बजाय सिर्फ कुछ APIs call करने के? आप यह कैसे decide करते हैं कि humans को क्या करना चाहिए, और machine ने अंततः क्या earn कर लिया है? यह चीज जिस तरह मैं काम पर देख रहा था, उस तरह कोई नहीं सिखा रहा था।
तो मैंने वह course बनाया जो मैं Andrew Ng के सात के बाद खुद लेना चाहता था। इसका नाम है AI-Native Media Operations, और यह इसी site पर है। 7 modules, 16 templates, करीब 3 घंटे का video, yours to keep. यही वह framework है जिसकी तरफ मैं operator track को point करता हूँ, क्योंकि मुझे इस पर यकीन है।
एक link, एक pitch. अगर Andrew Ng के सात courses ने आपके लिए अपना काम कर दिया, और ऊपर के verdicts ने roadmap trim करने में मदद की, तो अगली rung असली काम है — चाहे आप मेरा course लें या न लें।
अगर आपने 2023 की list को follow किया था, तो मैं सच में जानना चाहूँगा — कौन सी सबसे ज्यादा paid off हुई, और कौन सी आप चाहते हैं कि skip कर दी होती। और अगर आप आज शुरू कर रहे हैं, तो क्या चीज आपको हिचकिचा रही है?
बस, मेरी तरफ से इतना।
शुभकामनाओं सहित, Chandler
