AI成长资源_别再乱选AI课程了——这些书才是你的正解

在人工智能和机器学习方面钻研了四年，我想把所有帮到我进步的资料都告诉大家。

由于内容较多，我将它们分为以下几类：

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。

首席技术官Greg 也支持我的观点！

在人工智能界，绝大多数具有影响力的角色都是同时掌握软件开发和机器学习技术的行家，这种情况比较少见。

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

人工智能学科尚处初期阶段，当前通行的编程语言尚未固定下来，不过依靠操作便捷和配套体系健全，它依然是众多选择中的头等选项。

如今人工智能职位大多源自机器学习范畴，而此范畴的标准表达方式，短期内不会发生变动。

但最受欢迎的AI职业方向更贴近软件开发领域，而非机器智能开发方向，所以或许得学会Java或Go或Rust这类服务器端编程语言。

初学者阶段比较简单，更容易理解关键的技术原理，不过往后或许得改学别的编程语言了。

书籍虽然数量可观，但不断练习才是最有效的老师。资料只能提供初步认识，要想真正精通（或任何一门学科），就必须依靠自主探索和动手操作。

我的与软件工程基础推荐：

数学与统计学

尽管许多人工智能任务仅需要应用基础版本，然而要成为卓越的专业人才，必须掌握模型的内部运作机制。

以下资源足以满足数学需求，无需另寻他处：

机器学习

如今通行的AI技术实际上就是生成式AI，它属于机器学习这一范畴。所谓生成式AI，就是那些能够制造文本、图像、声音以及程序代码的算法。

但AI概念早在上世纪50年代神经网络诞生时就已存在。

可以上溯到第二次世界大战——那时艾伦·图灵针对计算机与智能机器开展研究，并提出了"图灵测试"。

总而言之我必须指出：人工智能的内涵远非当前多数人的理解所能涵盖，要立志成为出色的AI专家，对机器学习以及经典人工智能领域的深厚功底是绝对必要的。

这些资源囊括了机器学习的基础理论，对于时间序列预测、强化学习、优化算法、计算机视觉等高级主题，如有需求，可以另外提供补充材料：

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。

这一领域的所有生成式人工智能方法都由此衍生，你将在此范围内透彻掌握大型语言系统、图像生成技术等核心系统的运作机制。

人工智能工程

目前你已完全熟悉了人工智能，特别是大语言模型和生成式人工智能，其包含的所有理论和应用领域。

核心意义在于把人工智能模型变成实际应用，所以必须掌握算法的商品化实施方法，借助这种能力，技术才能给公司及用户带来实际利益。

许多AI职位本质上就是指"AI工程师"，这类工作的性质与常规的软件开发更为相似，而不是机器学习相关的开发。

主要任务是借助Llama/GPT-4等通用人工智能模型来创造产品，几乎不进行模型本身的构建——这主要是因为训练相关模型的开销非常大，而且当前已有的基础模型已经相当优秀！

学习资料非常丰富，需要提炼精华，马上开始。主要知识框架差别不大，挑选任何材料都可以。

谨以AI领域顶尖研究者 的推文祝你征程顺利：

成为领域专家的秘诀：

深入探究：借助实际案例推行"按需掌握"（摒弃灌输式广泛涉猎）

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

译者：boxi。