获得工作的最佳-AI-书籍和课程
获得工作的最佳 AI 书籍和课程
原文：
towardsdatascience.com/best-ai-books-courses-to-get-a-job/
由于有很多，我将它们分为以下类别：
-
编程和软件工程
-
数学与统计学
-
机器学习
-
深度学习和 LLMs
-
AI 工程
编程和软件工程
如果你想在 AI 领域工作，你必须学会编程并具备良好的软件工程技能。
由于该领域相对较新，AI 的默认语言仍然悬而未决。然而，由于其易用性和 AI 基础设施，Python 是学习语言的最佳选择。
AI 工作主要源于机器学习，其中 Python 是通用语言，这种情况在不久的将来不会改变。
然而，最受欢迎的 AI 角色，即 AI 工程师，与软件工程比机器学习工程更接近，因此你可能需要学习其他后端语言，如Java、GO或Rust。
我建议从 Python 开始，因为它更容易，并让你理解关键软件工程基础，但未来你可能需要转换语言。
虽然有很多课程和书籍，但最好的老师是持续的实践。虽然资源会帮助你开始你的旅程，但创建和构建才是你真正学习 Python 以及任何语言的方式。
我对 Python 和软件工程基础的主要推荐是：
-
学习 Python — 初学者全课程** — **这是我旅程开始时学习的第一个 Python 课程。它只有 4 小时长，所以你可以在半天内完成。
-
Python for Everybody Specialization**— **这是最受欢迎的课程之一，原因很好。如果你需要一个端到端课程来学习 Python，那么这就是它。任何信誉良好的“Python 入门”课程都足够了。
-
Hacker Rank & LeetCode** — **我使用这些资源为 Python 编码面试做准备。
-
NeetCode — 我使用这个资源学习数据结构、算法和系统设计。这是一个学习所有基础和高级主题的绝佳平台，通过动手练习，并提供出色的面试准备。
-
哈佛 CS50 计算机科学导论** ——**如果你在在线技术领域有任何了解，你肯定听说过这门课程。这可能是最好的计算机科学和软件工程入门课程！强烈推荐给完全的初学者，实际上，任何人都可以。
数学与统计学
尽管你可能认为不需要了解数学，因为大多数人工智能工作主要是关于实现基础模型，但如果你想成为一名顶级的人工智能实践者，你应该至少了解这些模型在底层是如何工作的。
以下资源就是你需要学习所需数学的全部内容；我认为你不需要在其他地方寻找。
-
《数据科学实用统计学（联盟链接）—— 如果你能只读一本书来学习统计学，这本书就是它了。它的主要吸引力在于它提供了专门针对人工智能/机器学习实践者的统计学知识，并包含 Python 的实际操作示例。
-
《机器学习数学（联盟链接）—— 这是一本关于机器学习和人工智能背后数学的全面书籍，涵盖了微积分和线性代数等主题。它相当高级，因此我不建议从头到尾通读。相反，用它来学习关键概念，并作为参考文本。
-
机器学习与数据科学数学专项** ——**这是 DeepLearning.AI 推出的新课程，DeepLearning.AI 是著名的机器学习和深度学习专项的制作者。它非常适合初学者，涵盖了所有与人工智能和机器学习相关的数学基础主题，如微积分、线性代数、统计学和概率论。
机器学习
当前的多数人工智能实际上指的是生成式人工智能（GenAI），它是机器学习的一个子集。正如其名所示，GenAI 是生成文本、图像、音频甚至代码的算法。
图片由作者提供。
然而，人工智能作为一个概念已经存在很长时间了，可以追溯到 20 世纪 50 年代，当时神经网络诞生。
它甚至更早，在第二次世界大战期间，艾伦·图灵在研究计算机和思维机器后提出了“图灵测试”。
无论如何，我的观点是，人工智能的范畴远比今天大多数人想象的要广泛得多，成为一名优秀的当代人工智能专业人士，你需要对机器学习和传统人工智能有扎实的理论基础。
以下列表将涵盖你所有的机器学习基础知识；如果你想学习更高级的主题，比如时间序列预测、强化学习、优化或计算机视觉，请告诉我，我可以为你推荐一些。
-
《动手学机器学习：Scikit-Learn、Keras 和 TensorFlow》 **(联盟链接) **— 如果只能给你一本书来帮助你学习机器学习和人工智能，那这本书就是了。它非常棒，涵盖了几乎所有你需要知道的内容，甚至在最后还涉及了 LLMs、强化学习和计算机视觉。
-
机器学习专业 —这是我 2020 年学习的第一个机器学习课程，可能是历史上最好的机器学习课程。当时我使用的是 Octave，但现在已经更新，现在是 Python，并且包含了更多前沿的主题，如推荐系统和强化学习。
-
《百页机器学习书》 **(联盟链接) **— 所有机器学习内容都总结在 100 页内！这是一本非常棒的快速查阅和复习资料。对基础知识讲解得非常到位。
-
《统计学习基础》 (联盟链接) — 非常适合掌握机器学习基础知识，基本上是统计学习。这本书将真正教会你机器学习的精髓。
深度学习与 LLMs
正如我在上面的图中所示，深度学习是整体人工智能范畴下的一个较小类别，也是机器学习的一个子类别。
深度学习是所有这些生成式人工智能算法的来源，所以你将真正学习到LLMs、扩散模型、Transformer以及其他所有基础模型在底层是如何工作的。
-
PyTorch 教程 — 你需要学习一个深度学习框架，目前行业领先的两个库是PyTorch和TensorFlow。我建议专注于学习 PyTorch，因为它相对于 TensorFlow 越来越受欢迎。PyTorch 在 2021 年的研究论文中大约被使用了~77%，在 HuggingFace 上大约~92%的模型是 PyTorch 专属的。
-
深度学习专业课程** —** 机器学习专业课程的后续课程。这是一门学习卷积神经网络和循环神经网络以及 LLMs 入门的绝佳课程。可能是最好的深度学习课程！
-
LLMs 简介 由安德烈·卡帕西（前特斯拉 AI 高级总监）主讲 — 一小时介绍视频，介绍 LLMs 及其应用。我推荐给每个人，即使他们不打算学习 AI。这个视频非常高屋建瓴，完全不涉及技术。
-
神经网络：从零到精通 （也是由安德烈·卡帕西主讲） — 从零开始构建神经网络。然而，在最后一集视频中，他教你构建自己的生成预训练 Transformer（GPT）！对于任何认真想要成为 AI 从业者的人来说，这是一个必看的教程。
-
动手学习大型语言模型：语言理解和生成 (推广链接) — 关于 LLMs 的教科书并不多，因为它们只是近年来才变得主流。然而，我听说这本书非常好。它是由 Jay Alammar 合著的，他可能写了有史以来最好的解释 transformers 的博客文章（ https://jalammar.github.io/illustrated-transformer/ ），并且得到了 Andrew Ng 的推荐。
AI 工程
到这个时候，你将彻底了解 AI 领域，特别是 LLMs 和 GenAI 模型，既有实践经验也有理论知识。
真正的价值来自于从你的 AI 模型和知识中创建产品。因此，你需要学习如何将这些算法投入生产和部署，以便它们能够惠及客户和企业。
大多数 AI 工作被称为 AI 工程师，这比机器学习工程师的工作更接近传统软件工程。
主要关于使用基础 GenAI 模型，如LLama、GPT-4和Claude，并围绕它们构建产品。你很少进行实际模型开发，主要是因为训练这些模型成本高昂，而当前的基础模型已经非常出色！
-
实用 MLOps (联盟链接) — 这可能是你理解如何部署你的机器学习和 AI 模型所需的唯一一本书。我更多地将其用作参考文本，但它几乎教授了你需要知道的一切，比如容器化、shell 脚本、云系统和模型监控。
-
AI 工程 (联盟链接) — 这本书目前非常受欢迎。它是由奇普·黄撰写的，她可以说是生产中 ML/AI 系统的领先专家。她甚至在斯坦福大学开设了相关课程！因此，使用这本书你将处于良好的状态。
资源非常多；主要的一点是不要过于复杂化并开始。它们大致上教授相同的内容，所以无论你使用什么课程或书籍都不会出错。
另一件事！
我提供一对一辅导通话，我们可以讨论你需要的一切——无论是项目、职业建议，还是只是确定你的下一步。我在这里帮助你前进！
[与 Egor Howell 一对一辅导通话]
职业指导、求职建议、项目帮助、简历审查topmate.io](https://topmate.io/egorhowell/1203300)
浙公网安备 33010602011771号