导读：极简可行，少即是多。

本指南为不擅长数学的你私人订制，同时适用于：

想要学习AI的学生、程序员、研究人员或爱好者；

想转行AI的读者；

想把AI运用到本职工作的读者。

新手自学三大误区：

贪多求全收集资料，却一份也没看完；

想通过脑图了解“系统入门路线”，却只看到满屏的陌生名词，还是不知该怎么学；

翻开AI技术书，第一眼就被公式“劝退”。

如果你也一样，在初学入门时踩到这些“坑”，那么继续往下看吧。

路线图制定原则：少即是多

最大化节约你的时间和精力，优先向重点发力，捡西瓜而不是捡芝麻。

路线图分为3个阶段：1. 零基础入门，2. 基础进阶，3. 工作应用

在入门阶段，你需要的不是大量资料的罗列，而是一个简单可行的引导——只学重点，建立信心。所以小编只推荐4本书，而且不必全部看完；

一旦真正入门，消除了迷茫，这时再向你推荐全面和深入的内容，才有帮助；

达到工作水平后，你自己就会知道怎样学了，同时也已融入这个圈子。这时推荐一些你会在工作中用到的参考书，你自行选择即可。

路线图中推荐的书，为了方便新手理解，对每本书都只用直截了当的一句话去描述其特点，把阅读成本降到最低，已经入门或处在行业内的读者，也可以通过路线图来查缺补漏，让自己升值。

第一阶段：零基础入门（3-6个月）

新手应首先通过少而精的学习，看到全景图，建立大局观，通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

入门路线上，建议先掌握机器学习的基础（传统模型）后，再开始学深度学习。原因有二：

一来机器学习基础是“以不变应万变”的内功。一旦掌握了基础，你对深度学习等进阶技术，以及不断变化的新技术都可以触类旁通，节省学习成本；

二来深度学习对计算机硬件要求高，不适合新手用个人电脑自学。

但是有个问题：机器学习相对深度学习来说，对数学基础要求稍高，这该怎么解决呢？

答案就在路线图的第一本书里——《机器学习算法的数学解析与Python实现》。

机器学习算法的数学解析与Python实现

作者：莫凡

推荐语：看得懂、学得会、不枯燥的机器学习入门书。用白话帮你从生活案例中理解算法，发现算法的乐趣，再把算法应用到机器学习中，让你零基础掌握算法精髓，快速进入AI开发领域。

这本书堪称小白福音！你别看它的书名挺长，但作者可是用视频弹幕般的解说风格，带你零基础入门的。至于内容有多么的多通俗易懂，你看一下作者写的文章就知道了。

你要的机器学习全景图，也就在这本书里。

学习理论基础的同时，通过实践带给自己正反馈，才能持续的学下去。人工智能入门用Python你肯定知道，推荐《Python程序设计：人工智能案例实践》，这是结合AI实例入门Python非常好的一本。即使你将来成为机器学习工程师后，也能把这本书放在手边备查。

Python程序设计：人工智能案例实践

作者：保罗·戴特尔

推荐语：极简入门Python和AI，读这一本就够了！538个实例帮你掌握交互式IPython解释器和JupyterNotebook并应用Python实践人工智能项目。

掌握了基本的Python语法后，就可以实践机器学习了，推荐2本“四大名著”足矣。特别是豆瓣满分的蜥蜴书。

机器学习实战

作者：奥雷利安·杰龙

推荐语：“美亚”人工智能畅销榜首图书，基于TensorFlow2全面升级，内容增加近一倍！Keras之父鼎力推荐，从实践出发，手把手教你从零开始搭建起一个神经网络。

Python机器学习

作者：塞巴斯蒂安·拉施卡

推荐语：深度学习“四大名著”之一、美亚畅销书全新升级，《ACM计算评论》年度最佳奖图书，Python机器学习入门教程。

“四大名著”绝非浪得虚名，到你入门进阶之后，会更加领会这2本书的价值。

上述4本书在手，你的零基础入门之路可以说是无死角了，你只需要踏下心来，按书中的内容按部就班动手做，切记，一定要动手实践！

第二阶段：基础进阶（3-6个月）

熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

这一阶段，还可以继续实践2本“四大名著”。在遇到一些新概念时，需要提升数学基础，此时推荐阅读《机器学习算法》和《机器学习中的概率统计：Python语言描述》来集中理解机器学习中的数学和算法。

机器学习算法

作者：安柯·莫特拉

推荐语：麻省理工学院“机器学习算法”课程教材，介绍可解释的机器学习，探索理论计算机科学和机器学习这两个领域能够互相借鉴的知识。

机器学习中的概率统计

作者：张雨萌

推荐语：GitChat畅销专栏全面升级！系统讲解机器学习中的概率统计核心知识和计算技巧，利用Python工具和典型案例，帮你高效构建机器学习概率统计理论与实践体系。

此时，你可以进入“深水区”了，深度学习理论入门只看这本“蒲公英书”就够了，配套素材非常丰富，内容也绝对够新，让你形成系统的知识脉络。

神经网络与深度学习

作者：邱锡鹏

推荐语：复旦大学邱锡鹏教授力作，周志华、李航联袂推荐！深受好评的深度学习讲义“蒲公英书”正式版！系统整理深度学习的知识体系，由浅入深地阐述深度学习的原理、模型及方法。

实践方面推荐你阅读业内公认的口碑好书《Python深度学习：基于PyTorch》，如果想掌握另一种热门框架TensorFlow的话，再回去看两本“四大名著”就好，版本都是最新。

Python深度学习：基于PyTorch

作者：吴茂贵 郁明敏 杨本法 李涛 张粤磊

推荐语：业内公认的深度学习入门实战好书！资深AI专家20余年工作经验总结，从工具、技术、算法、实战4个维度全面讲解深度学习，重点突出、循序渐进、用图说话，配学习PPT。

深入浅出Embedding

作者：吴茂贵 王红星

推荐语：北京智源人工智能研究院院长、微软中国首席技术官、亚马逊云上海AI研究院院长、中国计算机学会副理事长推荐。

至于系统能力，属于“九阳神功”级别的“内功”。虽然有些人系统能力学得不好也找到了工作，但你如果想有长远发展，还是要抽时间“回炉”。大厂面试也常考系统能力的问题，可见其重要性。系统能力方面最好的书，看过图中这3本，就可以了。

智能计算系统

作者：陈云霁 李玲 李威 郭崎 杜子东

推荐语：深度学习处理器芯片研究的开拓者陈云霁领衔，中科院计算所、软件所的专家学者倾心写就。智能领域系统能力培养大成之作！

第三阶段：工作应用

这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

这个阶段，只提醒1点：工程应用绝对没有学术理论的AlphaGo那么炫酷，想要快速避坑，了解技术商业化中的取舍，除了工作实践之外，推荐你阅读“冰山书”：《机器学习：软件工程方法与实现》，从工程上再刷新一次机器学习，避开新手犯错的“重灾区”

机器学习：软件工程方法与实现

作者：张春强 张和平 唐振

推荐语：大型金融集团专家撰写，基于Python，将软件工程思想、方法、工具和策略应用到机器学习中，提供高质量代码设计、可复用源码和工业应用框架。

结语

现在的你已经进入机器学习工程师这条“伟大的航路”了，也许修行之路才刚刚开始。技术发展日新月异，练好“内功”才能走的更远。

-END-

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。

以上的AI大模型学习路线，不知道为什么发出来就有点糊，高清版可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。