1.💻 编程与软件工程基础（入门基石）
核心观点：AI领域虽新兴，但Python是当前构建AI基础设施的主流语言，多数AI岗位（尤其是AI工程师）要求扎实的软件工程能力。
1.1 推荐资源
- Free Code Camp的Python课程
时长4小时，覆盖基础知识，作者个人入门课程，实用性强。 - Coursera的"Python for Everybody"专项课程
平台内最知名Python课程，口碑极佳（作者未亲自学习，但推荐度高）。
1.2 实践平台
- HackerRank/LeetCode：Python编程题练习，适合面试准备。
- NeetCode：数据结构、算法及系统设计学习，软件工程核心技能。
2. 计算机科学基础
哈佛CS50《计算机科学导论》：零基础友好，覆盖计算机科学 fundamentals及多语言入门。
2.1 扩展建议
AI工程师岗位需补充后端语言（如Java、Go、Rust），作者个人使用Rust，未来多语言能力可能成为优势。
🧮 数学与统计学（理论支撑）
核心观点：虽有人认为AI从业者无需深入数学，但理解模型底层原理（如LLM、生成式模型）需掌握统计学、线性代数、微积分三大基础。
推荐资源
| 资源类型 | 名称 | 核心内容 | 特点 |
|---|---|---|---|
| 📘 教材 | 《Practical Statistics for Data Science》 | 统计学，含Python实战案例 | AI/ML领域最实用统计学教材 |
| 📘 教材 | 《Mathematics for Machine Learning》 | 线性代数、微积分 | 内容密集，无需通读，掌握后足够支撑终身AI career |
| 📚 专项课程 | 深度学习AI的"Mathematics for Machine Learning and Deep Learning Specialization" | 针对性数学知识（统计+线代+微积分） | 与领域强相关，同团队出品的ML/DL课程口碑极佳 |
3. 🤖 机器学习（核心技术）
核心观点：AI远不止生成式AI，扎实的机器学习基础是成为顶级从业者的前提。推荐资源兼顾理论深度与实践应用。
推荐资源
-
📘 核心教材
《Hands-On ML with Scikit-Learn, TensorFlow & Keras》
：覆盖所有基础理论+Python实现，包含强化学习、LLM、自编码器等进阶内容，作者称其为"AI/ML领域最佳书籍"。
-
📚 专项课程
Andrew Ng的Machine Learning Specialization：AI/ML领域权威课程，2012年首发，已更新为Python版本，理论+notebook实践结合。
-
📖 轻量参考
《The 100-Page Machine Learning Book》（Andriy Burkov）
：100页简明指南，适合快速掌握概念或作为参考手册。
-
📘 理论深化
《The Elements of Statistical Learning》
：传统统计学习经典，理论深度强，适合深入理解传统ML算法。
-
实践强化
Zero to Mastery的"Complete AI Machine Learning and Data Science Bootcamp"
：项目驱动型课程，覆盖数据分析、ML、Python等，含心脏病检测、推土机价格预测等实战项目，社区支持活跃（50万+学员）。
4. 🧠 深度学习与LLMs（前沿技术）
核心观点：需掌握PyTorch框架及Transformer、LLM等模型原理，推荐从实践到理论逐步深入。
-
学习路径
框架入门：优先学习PyTorch
2021年77%研究论文使用，Hugging Face 92%模型基于PyTorch，趋势超TensorFlow。
-
理论深化
Deep Learning Specialization（Andrew Ng）：覆盖CNN、RNN及LLM基础。 -
LLM专题
- Andrej Karpathy的"Introduction to LLMs"视频：1小时行业现状 overview。
- Andrej Karpathy的"Neural Networks: Zero to Hero"课程：从0构建PyTorch原理，最终手写GPT（仅用NumPy）。
-
📘 教材
《Hands-On Large Language Models》（Jay Alamar）：Transformer图解博
-
客作者撰写，LLM领域最新教材。
🚀 AI Engineering（落地能力）
核心观点：AI价值在于生产环境部署，AI工程师需聚焦模型落地、基础设施构建，而非从零训练模型。
关键技能
利用现有基础模型（如Llama、Claude、GPT）构建解决方案
模型生产化（MLOps）、容器化、云服务部署
推荐资源
📘 《Practical MLOps》
传统ML算法生产化实践，涵盖Docker容器化、云系统等基础架构知识。
📘 《AI Engineering Textbook》（Chip Huyen）
AI/ML部署领域权威，聚焦工程化实践，行业认可度极高。
5. 📝 补充细节
学习策略：Andrej Karpathy的三点建议
- 迭代式完成具体项目（按需学习，非广度优先）
- 用自己的话总结所学（费曼学习法）
- 只与过去的自己比较（避免焦虑）
AI工程师vs ML工程师：AI工程师更接近软件工程，侧重模型应用而非研发；ML工程师需更多算法设计能力。