别再乱选AI课程了——这些书才是你的正解
四年AI实战者揭穿AI课程泡沫：Python核心+PyTorch手撸GPT+MLOps部署——这三本书构建的能力护城河，胜过87%速成课。
在人工智能与机器学习领域深耕四年后，我想分享所有助我成长的资源。
由于内容较多，我将它们分为以下几类：
编程与软件工程
数学与统计学
机器学习
深度学习与大语言模型
人工智能工程
编程与软件工程
想进入AI领域，编程能力与软件工程技能是必备基础。
OpenAI首席技术官Greg Brockman也支持我的观点！
除少数特例外，AI领域最具影响力的人往往是软件与机器学习都精通的专家。
跟大众的认知相反，掌握机器学习其实比精通软件工程快得多。
因此优秀软件工程师在AI领域往往潜力非凡
由于AI领域较新，其主流语言尚未定型，但Python凭借易用性和完善生态仍是首选。
当前AI岗位多由机器学习领域衍生，而Python是该领域通用语言，短期不会改变。
但最热门的AI工程师岗位更接近软件工程而非机器学习工程，因此可能需要掌握Java/GO/Rust等后端语言。
建议从Python入门（更易掌握核心工程原理），但未来可能需要转向其他语言。
尽管课程书籍众多，持续实践才是最佳导师。资源仅能带你入门，真正掌握Python（或任何语言）必须通过创造与实践。
我的Python与软件工程基础推荐：
学习Python（Learn Python — Full Course for Beginners）——我的启蒙课，仅4小时，半天即可学完
面向所有人的Python专项课程（Python for Everybody Specialization）——全网最受推崇的体系课程，想系统学习选它准没错（其他正规入门课亦可）
Hacker Rank & Leetcode——用于Python面试刷题
NeetCode——通过实战练习学习数据结构、算法与系统设计，涵盖基础到高阶内容，是绝佳的面试备战平台
哈佛CS50计算机导论（Harvard CS50 Introduction to Computer Science）——科技圈无人不晓的神课，堪称最佳计算机科学与软件工程入门，强烈推荐给所有初学者
数学与统计学
虽然多数AI工作只需部署基础模型，但想成为顶尖从业者，至少要懂模型底层原理。
以下资源足以满足数学需求，无需另寻他处：
《数据科学实用统计学》（Practical Statistics for Data Science）——若只能选一本统计书，非它莫属。专为AI/ML从业者编写，含Python实战案例
《机器学习数学基础》（Mathematics for Machine Learning）——详解机器学习与AI背后的数学原理，涵盖微积分、线性代数等。内容较深，建议重点选读，可作工具书使用
《机器学习与数据科学数学基础》专项课（Mathematics for Machine Learning and Data Science Specialization）——DeepLearning.AI新出品（著名机器学习/深度学习专项课制作方），专为AI/ML设计的数学入门课，包含微积分、线性代数、统计概率等核心内容
机器学习
当前主流AI其实指的是生成式AI（GenAI），属于机器学习分支。顾名思义，GenAI指生成文本/图像/音频/代码的算法。
但AI概念早在上世纪50年代神经网络诞生时就已存在。
甚至可追溯至二战时期——艾伦·图灵在计算机与思维机器研究中提出了"图灵测试"。
总之我想强调：AI远比当今大众的认知更加广阔，要想成为优秀的AI从业者，机器学习与传统AI的扎实基础不可或缺。
下列资源覆盖了机器学习的核心知识（若需时间序列预测/强化学习/优化算法/计算机视觉等进阶内容，可另行推荐）：
《Scikit-Learn、Keras与TensorFlow机器学习实战》（Hands-On ML with Scikit-Learn, Keras, and TensorFlow）——如果只能推荐一本书，必选此本。内容惊艳，覆盖全面，末尾还谈到了大语言模型、强化学习与计算机视觉
机器学习专项课（Machine Learning Specialization）——2020年我的机器学习启蒙课，堪称史上最佳的机器学习课程。当初我是用Octave学习的，现已升级为Python教学并新增推荐系统/强化学习等前沿内容
《百页机器学习宝典》（The Hundred-Page ML Book）——百页浓缩的机器学习精华！轻量级工具书，助你快速查阅核心概念，基础讲解尤为出色
《统计学习导论》（The Elements of Statistical Learning）——掌握机器学习（本质即统计学习）根基的绝佳教材，真正传授学科精髓
深度学习与大语言模型
如上图所示，深度学习是AI大类中的子集，属于机器学习分支。
当前所有生成式AI算法皆源于此，你会在这个领域深入理解大语言模型、扩散模型、Transformer等基础架构的运作原理。
PyTorch官方教程（PyTorch Tutorials）——深度学习框架必选其一，目前的行业双雄为PyTorch与TensorFlow。建议主攻PyTorch（近年势头更劲）：2021年约77%研究论文采用这一框架，HuggingFace平台92%模型为其专属
深度学习专项课（Deep Learning Specialization）——机器学习专项课的进阶篇。学习卷积神经网络/循环神经网络的优质课程，含大语言模型导论，可谓深度学习最佳入门
Andrej Karpathy的（特斯拉前AI总监）《大语言模型入门》——1小时科普视频讲解LLM原理与应用。强烈推荐给所有人（包括非技术背景者），内容宏观易懂
《神经网络：从零进阶》（Neural Networks: Zero to Hero，作者也是Andrej Karpathy）——从零搭建神经网络，起步节奏平缓，但最终视频将带你亲手构建GPT模型！AI从业者必修课
《动手学大语言模型：语言理解与生成》（Hands-On Large Language Models: Language Understanding and Generation）——LLM教材稀缺（近年才成主流），但此书广受好评。合著者Jay Alammar曾撰Transformer最佳科普博文，获吴恩达背书
人工智能工程
至此你已全面掌握了AI（特别是LLM与GenAI）的理论与实践版图。
真正的价值在于将AI模型转化为产品，因此需学习算法产品化部署技能，让技术为企业与客户创造价值。
多数AI岗位其实是"AI工程师"，其工作性质更接近传统软件工程而非机器学习工程。
核心工作是运用Llama/GPT-4/Claude等基础GenAI模型开发产品，极少涉及模型开发——主要是因为训练成本过高，且现有的基础模型已足够强大！
《实用MLOps指南》（Practical MLOps）——模型部署领域唯一的必备书。我主要用作工具书，内容覆盖容器化/脚本编写/云系统/模型监控等全流程
《人工智能工程实践》（AI Engineering）——当红教材。作者Chip Huyen是生产环境ML/AI系统权威专家，斯坦福课程主讲人，品质保证
学习资源浩如烟海，关键要化繁为简，即刻行动。核心知识体系大同小异，选任何资源都不会错。
谨以AI领域顶尖研究者Andrej Karpathy的推文祝你征程顺利：
成为领域专家的秘诀：
纵向深挖：通过具体项目实践"按需学习"（拒绝填鸭式横向学习）
知识反刍：用自己的语言总结/传授所学
自我超越：只与昨天的自己比较，永远不跟他人攀比