AI 书籍与课程
本页整理人工智能领域的经典教材、工程实践书籍、前沿方向读物与公开课程。书籍按知识主题归档，优先链接作者、出版社、官方配套代码和合法在线阅读入口。
关于电子书下载与版权
GitHub 中只收录书目信息、官方购买/试读入口、作者公开的合法全文，以及配套代码和课程。出版社付费电子书、受版权保护的 PDF/EPUB 不复制到仓库，也不提供未经授权的网盘或盗版下载地址。页面标注“免费在线版”时，表示作者或出版社公开提供阅读/下载；仍应遵守原站许可。
一、本次精选：十本 AI 进阶书单
这十本书覆盖机器学习原理、Transformer、大模型、AI 工程、知识图谱、生成模型、强化学习、AI 评估与安全，以及边缘设备部署。建议按学习目标选读，不必一次读完。
1. Why Machines Learn
- 作者：Anil Ananthaswamy
- 主题：机器学习原理、数学直觉、算法思想
- 推荐理由：从数学与科学思想解释机器如何学习，帮助建立对机器学习底层机制的整体理解。
- 阅读入口：Princeton University Press 官方检索、Google Books 检索
- 建议配合：数学与Python基础、机器学习
2. Hands-On Large Language Models
- 作者：Jay Alammar、Maarten Grootendorst
- 主题：Token、Embedding、Transformer、语义搜索、生成模型
- 推荐理由：通过可视化和代码案例解释大语言模型的关键组件，适合从概念过渡到实践。
- 阅读入口：出版社 O’Reilly、配套代码与笔记
- 建议配合：生成式AI与大模型、大模型与RAG实战手册
3. Designing Machine Learning Systems
- 作者：Chip Huyen
- 主题：数据工程、训练数据、部署、监控、模型迭代
- 推荐理由：从系统视角解释机器学习项目如何从实验走向生产，重点关注数据分布、可靠性和持续维护。
- 阅读入口：出版社 O’Reilly、作者网站
- 建议配合：AI工程与部署、机器学习
4. Natural Language Processing with Transformers
- 作者：Lewis Tunstall、Leandro von Werra、Thomas Wolf
- 主题：Transformer、预训练模型、Hugging Face、NLP 应用
- 推荐理由：以 Hugging Face 生态为主线，实践文本分类、问答、摘要等任务，理解 Transformer 模型的使用与微调。
- 阅读入口：出版社 O’Reilly、配套代码仓库
- 建议配合：深度学习、生成式AI与大模型
5. Knowledge Graphs and LLMs in Action
- 作者：Alessandro Negro
- 主题：知识图谱、图数据、LLM、GraphRAG
- 推荐理由：帮助理解结构化知识与大语言模型如何互补，适合探索知识检索、实体关系和知识增强问答。
- 阅读入口：Manning 官方图书页、Manning 在线试读入口
- 建议配合：生成式AI与大模型、大模型与RAG实战手册、知识管理专题
6. Generative Deep Learning
- 作者：David Foster
- 主题：VAE、GAN、Transformer、扩散模型与生成式学习
- 推荐理由：系统了解生成模型的主要思想与实现路径，适合希望理解图像、文本等内容生成机制的读者。
- 阅读入口：出版社 O’Reilly、第二版配套代码
- 建议配合：深度学习、生成式AI与大模型
7. Reinforcement Learning: An Introduction
- 作者：Richard S. Sutton、Andrew G. Barto
- 主题：马尔可夫决策过程、动态规划、Monte Carlo、时序差分、策略梯度
- 推荐理由：强化学习领域的经典教材，适合研究智能体如何通过环境反馈学习策略。
- 阅读入口：作者提供的第二版官方页面与 PDF（作者公开版本）、MIT Press 图书页
- 建议配合：强化学习实战路线、机器人与具身智能实战路线
8. AI Snake Oil
- 作者：Arvind Narayanan、Sayash Kapoor
- 主题：AI 能力评估、预测系统局限、技术宣传辨别
- 推荐理由：帮助读者区分真正有效的 AI 技术与被夸大的产品承诺，建立批判性判断能力。
- 阅读入口：作者维护的官方网站、出版社 Princeton University Press
- 建议配合：AI工程与部署、AI 项目评估与风险分析
9. The Alignment Problem
- 作者：Brian Christian
- 主题：机器学习偏见、奖励函数、人类价值与 AI 对齐
- 推荐理由：从技术案例与研究发展理解机器学习目标与人类意图之间的差距，建立 AI 安全与可信 AI 的基础认知。
- 阅读入口：作者官方网站、Google Books 检索
- 建议配合：AI 评估、安全、可信系统设计
10. Practical Deep Learning for Cloud, Mobile, and Edge
- 作者：Anirudh Koul、Siddha Ganju、Meher Kasam
- 主题：计算机视觉、深度学习部署、云端、移动端、边缘推理
- 推荐理由：把深度学习模型与真实设备和应用场景连接起来，适合关注嵌入式 AI、边缘计算和端侧部署的工程师。
- 阅读入口：出版社 O’Reilly、配套代码检索
- 建议配合：AI工程与部署、机器人与具身智能实战路线、嵌入式与汽车电子专题
二、按专题归档的扩展书单
入门与人工智能全景
| 书籍 | 作者 | 适合用途 | 资源 |
|---|---|---|---|
| Artificial Intelligence: A Modern Approach | Stuart Russell / Peter Norvig | AI 全景、搜索、逻辑、规划与概率推理 | 官方书籍页 |
| Artificial Intelligence: Foundations of Computational Agents | David Poole / Alan Mackworth | 计算智能与智能体基础 | 作者公开在线教材 |
| The Hundred-Page Machine Learning Book | Andriy Burkov | 快速建立机器学习知识地图 | 作者网站 |
机器学习与数据科学
| 书籍 | 作者 | 价值 | 资源 |
|---|---|---|---|
| Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow | Aurélien Géron | 从数据处理到模型训练的实战教材 | 配套代码 |
| Pattern Recognition and Machine Learning | Christopher Bishop | 概率机器学习理论 | 出版社页面 |
| The Elements of Statistical Learning | Hastie / Tibshirani / Friedman | 统计学习理论与方法 | 作者公开教材 |
| Python for Data Analysis | Wes McKinney | Pandas 与数据处理 | 作者配套仓库 |
深度学习
| 书籍 | 作者 | 价值 | 资源 |
|---|---|---|---|
| Deep Learning | Ian Goodfellow / Yoshua Bengio / Aaron Courville | 深度学习理论基础 | 作者公开在线版 |
| Dive into Deep Learning | Aston Zhang 等 | 公式、代码、练习结合 | 中文在线版 |
| Deep Learning with Python | François Chollet | Keras 深度学习实践 | 出版社页面 |
| Understanding Deep Learning | Simon J. D. Prince | 现代深度学习数学直觉 | 作者公开在线版 |
大模型与 AI 工程
| 书籍 | 作者 | 价值 | 资源 |
|---|---|---|---|
| Build a Large Language Model (From Scratch) | Sebastian Raschka | 从零实现 GPT 类语言模型 | 配套代码 |
| AI Engineering | Chip Huyen | 基础模型应用、评估、RAG、Agent 与生产工程 | 配套资源 |
| Full Stack Deep Learning | 课程团队 | 从模型到完整 AI 产品的工程实践 | 课程与资料 |
三、中文优质教材与课程
- 《神经网络与深度学习》邱锡鹏：中文理论教材与配套资料。
- 《动手学深度学习》中文版：中文系统教材，适合边学边练。
- 李沐：动手学深度学习课程：配合教材学习。
- Datawhale 开源学习社区：中文开源课程与实践项目。
- InternLM 教程：大模型相关教程与实践入口。
- 面向开发者的 LLM 入门课程：从基础到进阶的开源学习材料。
四、大学公开课程
| 课程 | 重点 | 链接 |
|---|---|---|
| Stanford CS229 | 机器学习 | 课程主页 |
| Stanford CS231n | 计算机视觉与 CNN | 课程主页 |
| Stanford CS224n | NLP 与深度学习 | 课程主页 |
| Stanford CS336 | 从零构建语言模型 | 课程主页 |
| MIT 6.S191 | 深度学习导论 | 课程主页 |
| Berkeley CS188 | 人工智能导论 | 课程主页 |
| Google ML Crash Course | 机器学习基础 | 课程主页 |
五、建议阅读路径
- 建立基础：选择《Artificial Intelligence: A Modern Approach》或《The Hundred-Page Machine Learning Book》建立全景认识。
- 掌握机器学习：使用《Hands-On Machine Learning》完成数据处理、训练、验证和误差分析。
- 理解深度学习：结合《Dive into Deep Learning》与《Deep Learning》学习网络结构和优化原理。
- 进入大模型：阅读《Hands-On Large Language Models》和《Natural Language Processing with Transformers》，再用《Build a Large Language Model (From Scratch)》验证理解。
- 工程落地：阅读《Designing Machine Learning Systems》和《AI Engineering》，学习评估、部署、监控和成本控制。
- 形成特色方向：知识工程读《Knowledge Graphs and LLMs in Action》；机器人方向读《Reinforcement Learning》；端侧部署读《Practical Deep Learning for Cloud, Mobile, and Edge》。
- 建立技术判断：结合《AI Snake Oil》和《The Alignment Problem》关注能力边界、安全与社会影响。
六、大学公开课程与书籍的搭配
| 学习主题 | 推荐教材 | 配套课程 |
|---|---|---|
| 机器学习 | Hands-On Machine Learning | Stanford CS229 |
| 计算机视觉 | Deep Learning / Dive into Deep Learning | Stanford CS231n |
| NLP | Natural Language Processing with Transformers | Stanford CS224n |
| 大语言模型 | Hands-On Large Language Models | Stanford CS336 |
| 强化学习 | Reinforcement Learning: An Introduction | OpenAI Spinning Up |
| AI 产品工程 | Designing Machine Learning Systems | Full Stack Deep Learning |
七、阅读与笔记模板
每读一本书，建议在对应专题下沉淀一份永久笔记：
- 核心问题：本书试图解决什么问题？
- 知识地图：主要章节、概念及其依赖关系。
- 关键原理：用自己的话解释重要算法、公式和架构。
- 代码实验：记录运行环境、代码、输入、输出和复现步骤。
- 实践案例：它能解决什么真实问题？
- 局限与争议：作者假设、适用边界和未解决问题。
- 关联主题：链接到机器学习、深度学习、大模型、Agent、知识管理或嵌入式 AI。
- 阅读状态：待读 / 阅读中 / 已读 / 已整理。