Dalawang taon matapos ang 7 Andrew Ng courses ko: ang 2026 path na talagang tatahakin ko
May mga nagme-message pa rin sa akin kung tama pa ba sa 2026 ang 7 Andrew Ng courses na ni-recommend ko noong 2023. Maikling sagot: karamihan sa kanila, oo, pero may kaiba nang roadmap sa palibot. Narito ang 2026 update ko, with per-course verdicts at forked path para sa builders at operators.
May mga nagme-message pa rin sa akin tungkol sa post ng 2023. Ang pinakamadalas na tanong, halos parehong-pareho ang mga salita: "tama pa ba ang path na ito sa 2026?"
Aaminin ko, matagal ko nang ipinagpapaliban ang buong sagot, kasi ang totoong sagot ay may mga layers. Karamihan sa Andrew Ng courses ay matatag pa rin. Ang roadmap na ginawa ko sa palibot nila, hindi na. Ang post na ito ang update na utang ko sa iyo.
Kung nagsisimula ka pa lang mula sa zero ngayon, gaya ko noong 2023, ang foundation na bahagi ng roadmap na ito ay applicable pa rin sa iyo. Kailangan mo lang ng mas kaunti kaysa sa kinailangan ko, sa mga dahilan na tatalakayin ko.
Heads up bago tayo mag-umpisa: baka mali ako sa ilan sa mga verdict na ito, at gusto ko talagang marinig kung iba ang karanasan mo. Student pa rin ako sa subject na ito. Nagkataon lang na dalawang taon kong sinubukang mag-ship ng mga bagay gamit ang natutunan ko.
1. Ano ba talaga ang ibinigay sa akin ng 7 courses na iyon
Kapag binalikan kong may dalawa pang taon na context, sa tingin ko dalawang bagay ang napakalinaw na ibinigay sa akin ng 2023 courses, at isang bagay ang iniwan nilang kulang.
Binigyan nila ako ng bokabularyo. Prompt engineering, retrieval-augmented generation, embeddings, function calling, chain-of-thought reasoning. Ito pa rin ang mga terminong ginagamit ko sa halos lahat ng technical conversation ko. Kapag nagpapaliwanag ako ng isang tricky na bug sa isang kasamang mas bago sa AI, may kaparehong wika kami. Galing kay Andrew ang wikang iyon.
Binigyan nila ako ng kumpiyansa. Non-technical ang pinagmulan ko. Kung wala ang structure ng mga course na iyon, hindi ako sigurado kung magkakaroon ako ng lakas ng loob na magsimulang mag-build. Kaya iyon ng isang magandang course. Hindi iyong tuturuan ka ng lahat, pero kumbinsihin kang kayang-kaya pang abutin ang susunod na hakbang.
Ang hindi nila naibigay sa akin ay taste: iyong pakiramdam kung kailan magiging marupok ang isang prompt, kung kailan talagang nasusukat ng isang evaluation ang bagay na mahalaga sa iyo, kung kailan sasabog ang cost pattern sa production. Iyon ay dumarating lang mula sa mga bagay na nasira sa harap ng totoong users. Naisulat ko ang tungkol sa unang taon niyon sa post na ito noong 2024 — tatlong buwan na at naiipit pa rin. Dalawang taon ngayon, naiipit na ako sa ibang mga bagay, pero naiipit pa rin ako.
Dinala ako ng mga course hanggang sa "kaya ko nang basahin ang docs nang hindi naninigas." Lahat ng kasunod noon ay galing sa shipping.
2. Kaya mas mabilis nang tumatanda ngayon ang lumang roadmap
Heto ang bahagi ng 2023 post na pinakagusto kong baguhin.
I-frame ko noon ang pitong courses bilang isang kumpletong on-ramp. Hindi naman, at hindi sila iyon noon pa. Sila ay isang foundation layer. Mas malaki ang ipinagbago ng roadmap sa palibot nila sa loob ng dalawang taon kaysa sa mga course mismo.
Maikli kong thesis: mas mabilis na tinipid ng AI pair-programming ang execution kaysa sa pag-tipid nito sa judgment. Iyon ang dahilan kung bakit nagtuturo pa rin ng magagandang bagay ang foundation courses (dahan-dahang tumatanda ang judgment) at kaya halos wala nang ibang parte sa learning stack ko na kamukha ng noong 2023.
Eto ang timeline ko mismo, sa simpleng wika:
- Huling bahagi ng 2022: nag-launch ang ChatGPT. Lahat naging prompter.
- Marso 2025: ang Google Gemini 2.5 Pro ang naging daily driver ko sa coding. Nagsimulang sumulat ang model ng code na talagang ishi-ship ko.
- Mga Marso 2025: nag-subscribe ako sa Claude Max, ang premium plan ng Anthropic. Dahil dito nakuha ko ang Claude Code, isang terminal-based AI coding assistant na sumusulat at nag-e-edit ng code kasama mo, sa loob mismo ng project mo. Mabilis nitong kinuha ang malaking bahagi ng araw-araw kong trabaho.
- Marso 2026: sinimulan ko ang pag-dual wield ng Codex, ang katumbas na coding assistant ng OpenAI, kasama ng Claude Code.
- Abril 2026: kinansela ko ang Claude Max matapos ang 13 buwan at lumipat ako pangunahin sa Codex. Thirty-day experiment. Jury is out.
Bawat hakbang sa listahang iyon ay isang workflow change, hindi isang course na ginawa ko. Ang bagay na hindi mo makukuha sa isang browser lecture ay ang karanasan ng panonood sa isang AI assistant na nagre-refactor ng sarili mong repository habang binabasa mo pa lang ang suggestion. Mas malapit iyon sa code review under pressure kaysa sa programming, at doon talaga nangyayari ang malaking bahagi ng 2026 learning.
Sa totoo lang, ginawa ko rin ang build side. Sa pagitan ng 2023 post at ngayon, nag-ship ako ng tatlong bagay: DIALOGUE, isang AI podcast generator; STRATUM, isang 9-agent na marketing platform; at ang course platform sa site na ito. Patuloy pa rin akong kumukuha ng paisa-isang course, mostly foundation fills gaya ng Google IT Automation with Python at Cybersecurity Specialization. Pinanatili akong literate ng mga courses. Ginawang competent ako ng mga produkto.
Isang praktikal na implikasyon ng lahat ng ito: iba na kung saan napupunta ang pera mo sa pag-aaral ngayon. Sa 2023 nagbabayad ka para sa structured lectures at nagbu-build ka sa free tier ng iilang API. Sa 2026, maliit na parte lang ng bill ang mga lectures; ang mga tools na gamit mo para magsulat ng code ang mas malaking ongoing cost. Kung mag-bu-budget ka para matuto ng AI ngayon, i-budget mo rin ang tools, hindi lang ang courses.
Kung hindi ka builder, kung marketing leader ka o operator na hindi magpe-pacheck ng Claude Code sa sarili mo, pareho lang ang implikasyon pero sa ibang paraan: ang tunay mong binibili mula sa isang 2026 learning path ay judgment tungkol sa mga tools, hindi fluency sa isa man lang sa kanila. Magpapalit-palit ang mga tools. Ang judgment kung kailan sila paniniwalaan, kailan ko-kuwestiyunin ang output nila, at kailan maglalagay ng tao sa loop, iyon ang durable na bahagi.
3. Ang 2026 per-course verdict
Ito ang section na sa tingin ko pinakakapaki-pakinabang sa iyo, kaya diretso lang ako mag-u-usap, na pina-pinong bahagya kung saan nakadepende ang totoong sagot sa kung sino ka.
Para kanino ito: kahit sinong nagde-decide kung ano ang kukunin ngayon. Kung marketing operator ka na kailangan ng sapat na AI literacy para mamuno ng team, o builder na gustong mag-ship, ang mga verdict sa ibaba ay naghihiwalay ng dalawang iyon kung saan importante.
| 2023 course | 2026 verdict | Bakit |
|---|---|---|
| Machine Learning Specialization | Time-box: 1–2 linggo, skim na lang ang math | Bokabularyo lang para sa karamihan ng readers. Sulit ang math-heavy derivations kung papunta ka sa research. Kung hindi, skim na lang. |
| Generative AI for Everyone | Kunin pa rin, para sa lahat | Ang pinakamagandang non-technical framing ng generative AI na nakita ko. Graceful ang pagtanda. Totoong ibigay mo sa CEO ninyo. |
| ChatGPT Prompt Engineering for Developers | Kunin pa rin, pero ipares mo sa cookbooks | Applicable pa rin ang core patterns. Ipares sa Anthropic at OpenAI cookbooks para sa 2026-era APIs. |
| Building Systems with the ChatGPT API | Kunin para sa mental model; huwag magtiwala sa API specifics | Moderation, chain-of-thought, chained prompts, output checks. Tama pa rin ang mga iyon. Ilang beses nang nagbago ang specific API surface. |
| Neural Networks and Deep Learning | Laktawan maliban kung papasok ka sa research | Na-flag ko na noong 2023 ang redundancy niya sa ML Specialization, at mas mas-flag ko ngayon, para sa builders at operators pareho. |
| Functions, Tools, and Agents with LangChain | Tignan mo ang current state bago ka magcommit | Noong ginawa ko ang 9-agent platform noong 2025, hindi ko ginamit ang LangChain. Mas maaga ng taon na iyon, sinubukan kong gumawa ng LangGraph agent at tumama ako sa performance ceilings na nagtulak sa akin sa mas simpleng orchestration. Ang agentic patterns ang tunay na aral; ang specific framework choice, ikaw na ang bahala, at gumalaw na ang field mula sa experience ko sa 2025. Hindi ko ibabalik sa loob ang LangChain nang hindi muna tumitingin ulit nang malinis. |
| Vector Databases: from Embeddings to Applications | Kunin pa rin, pero ikli-an mo | Ito ang patterns na nagpapatakbo ng search sa site na ito ngayon. Laktawan ang provider-specific chapters na nakalipasan na. |
Ituring ninyo ito bilang pananaw ng isang builder, hindi universal ranking. Kung ibang goal ang dinadala mo (research, isang napaka-specific na stack), baka iba ang magiging hitsura ng table mo.
4. Ano ang idadagdag ko ngayon, at paano naghahati ang path
Sa puntong ito naghahati ang path. Iba ang kailangang second layer ng isang operator at ng isang builder.
Kung marketing leader ka o operator
Tier 1. Kunin ang "Still take" na rows sa itaas. Mag-focus sa Generative AI for Everyone at Prompt Engineering for Developers. Bumibili ka ng bokabularyo at instinct.
Tier 2. Matuto ng sapat tungkol sa evaluations (isang paraan para sukatin kung talagang maganda ang AI output, hindi lang mukhang maganda) at agent design (kung paano pinagsasama ang ilang AI steps para maging reliable workflow) para makagawa ka ng team decisions. Hindi mo kailangang i-build ito nang mag-isa. Kailangan mong malaman kung ano ang mga tamang tanong. Ano nga ba talaga ang sinusukat natin? Ano ang itsura ng failure? Saan nakatago ang traces? Gaano kadalas kami tumitingin sa totoong outputs? Kung walang isa man sa team mo ang makakasagot nang malinaw doon, malamang tinitingnan mo ay isang demo, hindi durable system. At kung may magsabi sa iyong "ma-figure out ng AI iyan," tanungin mo kung anong raw materials ang ginagamit na ground. Isang matibay na model ang makakatulong mag-convert ng totoong traces, accepted outputs, failure cases, at internal documents tungo sa draft eval criteria at seeded dataset. Kapaki-pakinabang iyon. Kailangan pa rin ng tao para mag-review ng rubric at mag-calibrate ng standard.
Tier 3. Mag-redesign ng isang workflow. Piliin ang pinakamaliit na totoong bagay sa linggo ng team mo, isang weekly report, isang brief intake, isang QA review, at i-rebuild mo gamit ang AI sa loop. Babalikan ko sa dulo ng post na ito kung paano ko i-frame iyong rebuild, pero ang trabaho mismo ay sa iyo pa rin.
Kung builder ka
Tier 1. Parehong foundation courses mula sa table sa itaas.
Tier 2.
Mag-umpisa sa pag-build, huwag sa pag-aaral. Mag-set up ng libreng GitHub account at gumawa ng unang repository mo. Matuto ng sapat na Git para makagawa ng maliliit na commits at maka-rollback nang malinis kapag may nasira ka. Tapos mag-umpisa kang mag-build sa totoong project kasama ang isa sa leading coding assistants. Nagamit ko na ang Claude Code with Opus 4.7 at OpenAI Codex with GPT-5.4. Ang walkthrough ay ang trabaho mismo, at kung maghihintay ka pa na maramdamang handa bago mag-umpisa, hindi ka talaga mag-uumpisa. Basahin ang docs ng tool sa harap mo kapag naipit ka, at huwag mong gawing "pag-aaral ng stack" ang isa pang pagpapaliban.
Kapag may tumatakbo na, simulan ang pag-aaral ng evals sa praktikal na paraan. I-save ang totoong inputs at outputs. Mag-ipon ng ilang ground-truth materials. Pagpasyahan kung ano ang itsura ng maganda at pangit para sa bawat step sa workflow. Tapos gamitin ang isang malakas na coding assistant, Claude Code with Opus 4.7 sa xhigh thinking, o Codex with GPT-5.4 sa xhigh thinking, para tulungan kang mag-scaffold ng eval framework, magmungkahi ng criteria, at mag-generate ng initial dataset na naka-ground sa mga material na iyon. Marami sa setup na iyan ang kayang gawin ng AI. Ang hindi dapat nitong gawin ay tahimik na pagtakda ng standard para sa iyo. I-review mo mismo ang rubric.
Tapos pag-aralan ang basics ng MCP, ang Model Context Protocol: ang layer na nagpapahintulot sa tool gaya ng Codex na makausap direkta ang natitirang bahagi ng stack mo. Sa sarili kong workflow sa repo na ito, ngayon ibig sabihin noon ay Chrome DevTools, Playwright, Supabase, GitHub, Stripe, Resend, at Cloudflare. Hindi pa umiiral ang MCP noong 2023, at bahagi na siya ngayon kung paano ako nagbu-build.
Tier 3. Mag-build ng bagay na ginagamit ng iba. Hindi tutorial. Hindi kopya ng demo. Isang bagay na may totoong user, kahit na ang user na iyon ay isang tao lang sa sariling team mo.
May isang patakarang iniba-bahagi ng dalawang path: hindi ka tapos hangga't may totoong bagay na tumatakbo.
Isang praktikal na note, kasi mahalaga ang pera: kung wala ka namang $20 kada buwan para sa coding assistant ngayon, laktawan muna ang tooling tier. Gumagana pa rin naman ang foundation courses kasama ng free-tier API keys. Ganoon ako nag-umpisa noong 2023, at totoong path pa rin iyon hanggang ngayon.
5. Ano ang lalaktawan ko o ti-time-box ngayon
Tatlong bitag, lahat madaling mahulog dahil pakiramdam ay progress.
- Cert-collecting bilang procrastination. Nagawa ko na ito. Pakiramdam ay productive. Hindi iyon kapalit ng shipping. Kuhanin ang foundation certs, tapos tumigil ka na sa pagbibilang.
- Framework-of-the-month courses. Kung nakakabit nang mahigpit ang isang course sa isang specific framework na wala pang dalawang taong gulang, mag-ingat. Basahin na lang ang sariling docs ng framework, at bumalik sa mga course kapag umayos na ang field.
- Math-heavy deep-learning theory, maliban kung pupunta ka sa research. Hindi kailangan ng builder na magda-derive ng backpropagation. Hindi rin kailangan ng leader.
6. Ang course na napagbuhusan ko ng pagtatayo
Pagkatapos ng foundation courses, ang gap na patuloy kong natatamaan ay hindi technical. Operator-level judgment iyon. Paano mo mare-redesign ang isang marketing team sa palibot ng AI, sa halip na simpleng pag-call ng ilang APIs? Paano mo maidedecide kung ano pa ang dapat ginagawa ng tao, at alin ang sa wakas ay kinita na ng makina? Walang nagtuturo niyon sa paraan na tumutugma sa nakikita ko sa trabaho.
Kaya binuo ko ang course na sana ay nagawa kong kunin pagkatapos ng pito ni Andrew Ng. Tinawag ko itong AI-Native Media Operations, at nandito sa site na ito. 7 modules, 16 templates, humigit-kumulang 3 oras ng video, sa iyo na lahat. Ito ang framework na itinuturo ko sa operator track, dahil naniniwala ako rito.
Isang link, isang pitch. Kung naibigay ng pitong Andrew Ng courses ang hinahanap mo, at nakatulong ang mga verdict sa itaas para ma-trim mo ang roadmap, ang susunod na hakbang ay totoong trabaho, kunin mo man ang course ko o hindi.
Kung kinuha mo ang 2023 list, gusto ko talagang malaman kung alin ang pinakanagbigay sa iyo ng resulta at alin ang sana ay nilaktawan mo. Kung nagsisimula ka ngayon, ano ang nagpapa-atubili sa iyo?
Iyon lang muna mula sa akin.
Ingat, Chandler
