AI学习书籍介绍

"你无法在摘要上进行模式匹配，阅读他人对知识的压缩会创造知识的幻觉；二手洞见不是洞见，模式识别需要高质量的数据。"

这句话说得极好，学习一门新知识，最终还是要回到系统的、成体系的经典书籍上。

关于AI学习，读过很多相关书籍，结合自己的体会，按照较为合适的阅读顺序推荐以下几本：

1.《Deep Learning with Python》（《Python 深度学习》）

——“知其然”的最佳入门书

这本书深入浅出地介绍了深度学习的核心思想，是非常优秀的宏观入门读物。行文清晰、结构紧凑，让初学者能够迅速建立对深度学习整体框架的理解。国内已有第二版的正式译本。 在线阅读的网址：https://deeplearningwithpython.io/

2.《Hands-On Large Language Models》

——图文并茂的大语言模型基础指南

这本 2024 年出版的新书目前没有正式中文版（阅读的中文版是自行翻译的）。全书以极丰富的图示讲解大模型的关键概念，人是视觉动物，一张图胜过千言万语，这使得读者能更容易理解其底层的思想和原理。

这本书在技术深度上把握较好，在能够讲清楚技术原理的基础上，也不过于技术化。不过还是建议在读过《Deep Learning with Python》之后再看这本书，因为大语言模型的技术根基仍然是深度学习，有一定神经网络基础后阅读本书的体验会更好。

3.《Practical Statistics for Data Scientists》

——数据科学视角的统计学基础

这本书从数据科学的实际需求出发，以统计学为主轴，知识点介于基础数学和计算机应用之间，系统讲解了数据分析中常见的统计概念与易混点，并配合 Python 与 R 给出了大量示例。国内已有第一版的正式中文版（阅读的是自行翻译的第二版）。

相比传统统计学教材，它更关注“能否用得上”，因而弱化了大量推导，更适合作为数据科学家的统计基础读物。

4.《Mathematics for Machine Learning》（《机器学习的数学基础》）

——“知其所以然”的关键一课

这本书系统梳理了机器学习相关的核心数学知识，结构严谨、联系清晰，整体性和系统性非常好，是少数真正能让读者在数学层面理解机器学习底层原理的教材。网上有部分中文译稿，为方便学习，自己将 Part II 译成中文后学习。

如果你想了解支撑深度学习的线性代数、概率论、微积分、优化理论，这本书几乎是最佳选择。

附：如果对机器学习数学基础感兴趣，可参考文章《打好数据科学和机器学习的基础——6本书带你学数学》
https://www.dataapplab.com/6-best-books-to-learn-mathematics-for-data-science-machine-learning/

以上几本书主要从原理层面展开，涵盖了深度学习框架、数学基础与统计基础。以下这本，则更偏向 AI 的“应用层”——智能体（Agent）系统的设计与实践。

5.《Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems》

——智能体系统的全面实践指南

这本书对现代 AI 系统中的 Agent 架构进行了系统而深入的讲解，涵盖概念、模式与工程实现，是近年来少见的高质量智能体设计指南。

令人印象深刻的是，作者在正式出版前，就将英文原稿以 Google Docs 形式公开，而 GitHub 上的中文翻译也在英文版付印前便已完成。这正是 AI 带来的知识民主化：借助 AI 翻译工具，让中文读者几乎同步获得最新前沿资料(当然这是在开源协议允许的前提下完成）。

看完以上这些书籍后，感觉到自己对概率的各种概念以及命名的分布的来源及相互关系还不够清晰，于是找了《Introduction to Probability》（概率导论）来看，具体的读书笔记请见 《Introduction to Probability》读书笔记