在人工智能与机器学习领域深耕四年后，我积累了许多宝贵的经验，也接触到了大量的学习资源。今天，我想把这些资源分享给大家，希望能帮助那些渴望在 AI 领域有所建树的朋友少走弯路。

我将这些资源分为以下几类：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：AI 大厦的基石

想进入 AI 领域，编程能力与软件工程技能是必备基础。就连 OpenAI 首席技术官 Greg Brockman 也认同这一点，在 AI 领域，除少数特例外，最具影响力的人往往是软件与机器学习都精通的专家。而且，掌握机器学习其实比精通软件工程快得多，所以优秀软件工程师在 AI 领域往往潜力非凡。

在编程语言的选择上，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，Python 是该领域通用语言，短期内这一情况不会改变。不过，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。建议大家从 Python 入门，因为这样更易掌握核心工程原理，但未来可能需要根据实际情况转向其他语言。

尽管市面上关于 Python 的课程和书籍众多，但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。以下是我推荐的一些 Python 与软件工程基础学习资源：

• 《学习 Python — Full Course for Beginners》：这是我的启蒙课，仅 4 小时，半天即可学完，非常适合初学者快速入门。
• 《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，内容系统全面，想系统学习 Python 的朋友选它准没错。当然，其他正规入门课也可以，关键是要找到适合自己学习节奏的课程。
• Hacker Rank & Leetcode：这两个平台是 Python 面试刷题的好去处。通过大量的练习题，可以帮助你熟悉常见的编程问题和解题思路，提升编程能力和面试技巧。
• NeetCode：它通过实战练习的方式，帮助你学习数据结构、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。在这里，你可以将所学的理论知识应用到实际项目中，积累实践经验。
• 《哈佛 CS50 计算机导论（Harvard CS50 Introduction to Computer Science）》：这门课在科技圈无人不晓，堪称最佳计算机科学与软件工程入门课程。强烈推荐给所有初学者，它能帮助你建立起扎实的计算机科学基础，为后续的学习打下坚实的基础。

数学与统计学：理解 AI 模型的钥匙

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。掌握一定的数学与统计学知识，能让你更好地理解和运用 AI 技术。以下这些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）》：如果只能选一本统计书，那非它莫属。这本书专为 AI/ML 从业者编写，书中包含了大量的 Python 实战案例，通过实际案例的讲解，能让你轻松理解统计学在数据科学中的应用。
• 《机器学习数学基础（Mathematics for Machine Learning）》：它详细讲解了机器学习与 AI 背后的数学原理，涵盖微积分、线性代数等内容。这本书内容较深，建议重点选读，可将其作为工具书使用，在遇到相关数学问题时随时查阅。
• 《机器学习与数据科学数学基础专项课（Mathematics for Machine Learning and Data Science Specialization）》：这是 DeepLearning.AI 新出品的课程，而 DeepLearning.AI 正是著名机器学习 / 深度学习专项课制作方。该课程专为 AI/ML 设计，是非常好的数学入门课，包含微积分、线性代数、统计概率等核心内容，通过系统的学习，能让你快速掌握机器学习所需的数学基础知识。

机器学习：AI 世界的广阔天地

当前主流 AI 其实指的是生成式 AI（GenAI），属于机器学习分支。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的 “图灵测试”。这说明 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。

以下资源覆盖了机器学习的核心知识，如果需要时间序列预测 / 强化学习 / 优化算法 / 计算机视觉等进阶内容，后续我可以另行推荐：

• 《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，那必定是这本。它内容惊艳，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等前沿内容。通过学习这本书，你可以全面掌握机器学习的实战技能。
• 《机器学习专项课（Machine Learning Specialization）》：这是 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，现在它已升级为 Python 教学，并新增了推荐系统 / 强化学习等前沿内容。该课程系统全面，从基础概念到实际应用，一步步引导你深入学习机器学习。
• 《百页机器学习宝典（The Hundred-Page ML Book）》：这本书堪称百页浓缩的机器学习精华，是一本轻量级工具书，能帮助你快速查阅核心概念，对基础概念的讲解尤为出色。在你需要快速回顾或查找某个机器学习概念时，它会是你的好帮手。
• 《统计学习导论（The Elements of Statistical Learning）》：这是一本掌握机器学习（本质即统计学习）根基的绝佳教材，真正传授了学科精髓。通过学习这本书，你可以深入理解机器学习的理论基础，为实际应用提供坚实的理论支持。

深度学习与大语言模型：AI 发展的前沿阵地

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，在这里，你会深入理解大语言模型、扩散模型、Transformer 等基础架构的运作原理。以下是一些相关的优质学习资源：

• 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，因为近年它的势头更劲。2021 年约 77% 研究论文采用这一框架，HuggingFace 平台 92% 模型为其专属。通过学习 PyTorch 官方教程，你可以系统地掌握 PyTorch 框架的使用方法，为深度学习实践打下基础。
• 《深度学习专项课（Deep Learning Specialization）》：这是机器学习专项课的进阶篇，是学习卷积神经网络 / 循环神经网络的优质课程，还包含大语言模型导论，可谓深度学习最佳入门课程之一。通过学习这门课程，你可以深入了解深度学习的核心技术和应用。
• Andrej Karpathy 的（特斯拉前 AI 总监）《大语言模型入门》：这是一个 1 小时的科普视频，讲解 LLM 原理与应用。强烈推荐给所有人，包括非技术背景者，因为它内容宏观易懂，能让你快速对大语言模型有一个基本的认识。
• 《神经网络：从零进阶（Neural Networks: Zero to Hero，作者也是 Andrej Karpathy）》：该课程从零开始教你搭建神经网络，起步节奏平缓，但最终视频将带你亲手构建 GPT 模型，是 AI 从业者的必修课。通过跟随课程一步步实践，你可以深入理解神经网络的原理和构建方法。
• 《动手学大语言模型：语言理解与生成（Hands-On Large Language Models: Language Understanding and Generation）》：由于 LLM 教材稀缺（近年才成主流），但这本书广受好评。它的合著者 Jay Alammar 曾撰写过 Transformer 最佳科普博文，还获得了吴恩达的背书。学习这本书，能让你深入了解大语言模型的语言理解与生成机制。

人工智能工程：将 AI 模型转化为价值

当你全面掌握了 AI（特别是 LLM 与 GenAI）的理论与实践版图后，真正的价值在于将 AI 模型转化为产品。因此，你需要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！以下是一些人工智能工程方面的学习资源：

• 《实用 MLOps 指南（Practical MLOps）》：这是模型部署领域唯一的必备书，我主要将其用作工具书。书中内容覆盖容器化 / 脚本编写 / 云系统 / 模型监控等全流程，通过学习这本书，你可以全面掌握模型部署的各个环节和实际操作方法。
• 《人工智能工程实践（AI Engineering）》：这是一本当红教材，作者 Chip Huyen 是生产环境 ML/AI 系统权威专家，也是斯坦福课程主讲人，品质有保证。该书从实践的角度出发，介绍了如何在实际生产环境中应用 AI 技术，帮助你将所学的理论知识转化为实际的工程能力。

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，一是纵向深挖，通过具体项目实践 “按需学习”（拒绝填鸭式横向学习）；二是知识反刍，用自己的语言总结 / 传授所学；三是自我超越，只与昨天的自己比较，永远不跟他人攀比。希望大家在 AI 学习的道路上，不断探索，不断进步，最终实现自己的目标。