AI 组培养计划
Author：Oops
⚠️
学数学得能解题，写代码少用 AI
一、必学课程
导论课 CS50x
活泼、生动、有趣，所有提及课程中最欢乐的一门，不容错过。
这门课程能带你领略 CS 的许多领域，也许你不会选择深入其中的所有部分，但是了解是明智选择的基础。
Kaggle Learn
推荐课程：图中这些必学，除前三个外一定要用的时候再学，或者先问问 AI 这些内容在机器学习中有什么用。
简单、学习曲线平缓、快反馈的互动教程
将 Machine Learning 的前置技能编写成一节节小课程，每块内容短小精悍、面向实战且非常 easy，课程可以一键运行代码，课后也有易用的实践模块。可以报名一个简单的比赛（如房价预测），以赛促学。
数学基础【微积分 / 线性代数的本质】
可视化、深入本质的数学课
能帮助你快速理解这两门基础数学课的核心概念。
CS61A 神课 不止 Python
略显艰涩但很具有启发性的计算机程序原理课
用来入门略显艰难，但是经历 Kaggle 的考验，已经不再那么令人畏惧了。配合 python 官方文档食用
注意：此处贴的是3.11文档，在网站顶端可以自行选择版本，有时候向 AI 求助也是一个好办法。
B 站汉化、这里贴上汉化该视频 up 的官方网站，里面有课程官网和作业等资料。
李宏毅深度学习教程
年轻人的第一本深度学习教程，简明深刻程度平生仅见
涵盖了深度学习的大部分领域，有一定数字含量，但并未到达劝退的程度，原理深刻，语言简洁有力。是入门深度学习和选择感兴趣方向的不二选择。有条件的可以买纸质书，pdf 的语言通顺度可能略低。
关于作业，以使用 Pytorch 训练模型的形式，关于 Pytorch 使用的教程可以看👉我是土堆
Datawhale 关于此书的 Github 仓库、配套视频、2025 新版课程视频
作业也在仓库中
MIT 18.06 线性代数
更广、更深、更面向工程、更具有启发性的线性代数课
CS 自学社区（有笔记）、B 站汉化、课程官网。中文教材自行到 Zlib 搜《线性代数导论》
TinyML 和高性能大模型推理
进阶的实用技能、PPT 详尽精美、内容与时俱进
无论你要从事 AI 的什么方向，这都涵盖了很多你不得不学的知识，包括剪枝、蒸馏、量化、神经网络架构搜索、各类模型简介、并行推理方法甚至量子机器学习。课程内容干货非常多，作业非常非常有意思。
二、算法方向
只能尽我所能推荐一些自己学过并且认为有用的课程。可能需要一本合适的概率论放在最前面，还在看，更深入的凸优化、泛函分析等后面等看了再说。
统计学习基础
其实是机器学习经典算法基础，受众就是 ML、DL 学习者
对没学过概率论的计科学生来说不算太好读，有点数学又没那么深入的一本书。包括了各种统计学习模型、正则化方法等，机器学习能用到的基本上面都有。
书可以买纸质版也可以在 Zlibrary 找电子版，作者在 Stanford 有一门对应的课程，B 站汉化版
机器学习白板推导
沉浸式推导，作者功力极强（对我来说）
内容深入前沿，作者推导心无旁骛，评论区的课代表笔记简洁有力。可以先学前面简单的部分，后面的区域留到以后探索。
Stanford CS224n
入门 NLP 必学、了解自然语言处理的前世今生
课程视频门槛不算高，数学推导笔记初读可能略显艰难，但是比上面的要简单多了，也是入门大模型算法的必学课，都是基础知识。
三、MLSys 方向
主要面向大模型和深度学习研究的基础设施建设，兼顾工程应用和高性能编程，但是下面主要是编译器和底层相关内容。
CS61B & C
计科基础课，比 61A 简单
算法与数据结构（JAVA 和面向对象）、汇编和计组，CS 学生必学，放在这里是因为对应用方向和纯算法没用
CSAPP
内容涉猎又广又杂，lab 质量高
OS NJU 蒋炎岩
计科协最推荐的课程之一，有很多实用工具、秀操作、金句，与时俱进、偏实战的课程
Stanford CS149 并行计算
课程内容风趣幽默，并行算法令人拍案，课后作业量大管饱
CoffeeBeforeArch
他的 C++、并行编程、CUDA、GPU 体系结构都推荐，与上面的 CS149 不同，他的课程短小精悍，代码力求通过最小示例传授知识，知识不算特别深入适合快速入门
Kuiperdatawhale
开源的手搓深度学习编译器前端教程
TVM
支持不同硬件且使用机器学习进行优化的深度学习编译器
几本书
四、应用方向
配合我协前后端的其他课程食用才能发挥更好的效果，他们的内容更加精华好用。
LLM-Cookbook
包含提示词工程、RAG、微调的全部流程，入门简单，学会就能做 AI 应用
如果想零代码开发，试试字节的扣子。
ms-swift
一站式模型训练、推理、评测、量化与部署
一位身处科研前线的学长推荐的。