一、数学基础
推荐启蒙资源
- 3Blue1Brown：B站/YouTube《线性代数的本质》
- 《数学之美》（吴军）：通俗解读数学在AI中的应用，激发NLP/信息论兴趣
核心科目与资源
| 科目 | 推荐资源 |
|---|---|
| 微积分 | 《托马斯微积分》《普林斯顿微积分读本》（重点：链式法则、多元函数求导） |
| 线性代数 | Gilbert Strang教材+MIT公开课（B站）/ 《Linear Algebra Done Right》（高阶） |
| 概率统计 | 陈希孺《概率论与数理统计》 |
| 离散数学 | 《离散数学及其应用》（黑皮书） |
| 凸优化 | Boyd《凸优化》+中科大B站课程（比原书更友好） |
二、计算机基础
通识学习
- 《浪潮之巅》（吴军）：科技企业发展史拓展视野
- 优质课程：
- 伯克利CS61A（函数式编程，作业难度高）
- 哈佛CS50（入门友好）
编程语言
| 语言 | 学习资源 |
|---|---|
| Python | 《Python编程：从入门到实践》/runoob.com |
| C/C++ | 浙大翁凯MOOC |
| Java | 黑马程序员B站课程 |
核心专业课程
| 课程 | 推荐资源 |
|---|---|
| 数据结构与算法 | 《算法（第四版）》+LeetCode刷题 |
| 操作系统 | 哈工大李治军（B站）/MIT6.828（高阶） |
| 数据库 | 东南大学徐立臻课程/CMU15445（进阶） |
| 计算机网络 | 《网络是怎样连接的》（入门）/哈佛在线课 |
| 信号与系统 | 东南大学孟桥课程/奥本海姆教材 |
| 编译原理 | 斯坦福课程（文末附链接） |
三、人工智能专项
入门铺垫
- 吴恩达机器学习公开课
- 《Artificial Intelligence: A Modern Approach》（工具书，非新手必读）
机器学习
- 理论：
- 李航《统计机器学习》
- 补充：B站"机器学习白板推导"系列
- 实践：
- 《机器学习实战》+scikit-learn
- 李宏毅/林轩田B站课程
深度学习
- 教材：邱希鹏《神经网络和深度学习》
- 实战：李沐《动手学深度学习》（B站+电子书）
- 框架：PyTorch官方文档
细分领域
| 领域 | 核心资源 |
|---|---|
| NLP | Stanford《Speech and Language Processing》/CS224n课程 |
| 计算机视觉 | CS231n（CNN专题） |
| 知识图谱 | 《A Semantic Web Primer》（英文原版）/SimmerChan专栏 |
| 强化学习 | Sutton《Reinforcement Learning》（理论）/建议从项目切入（如游戏开发） |
关键总结
- 基础优先：数学+计算机系统课程是AI研究的底层支撑
- 实践平衡：理论学习后需通过项目（如LLM部署、Kaggle竞赛）巩固
- 资源选择：根据当前水平阶梯式学习（如凸优化先选中科大课再啃Boyd）
