90%的人学不动深度学习，是因为第一本书就选错了_科学技术

1. 给大家分享一个AI时代的成功方法，每个人都能复制#AI #教育 #学习 #openai #创业#就业#求职#AI学习

2. 一口气速通Python爬虫【新手学习路线】

3. 过去十年，大家一直在说AI会改变编程。但现在看，真正被改变的，可能不是“写代码”，而是“审代码”。如果未来AI写代码、审代码都变成了常态，程序员最核心的能力到底是什么呢？#大有学问 #红衣聊AI #anthropic #人工智能 #程序员

4. 要入行机器学习是不是非学数学不可？要学到什么程度，如何才能提高数学水平？

5. 从自动写代码到智能影音刮削：实测 OpenCode，这台“赛博管家”真的能干苦力活

6. 在线学习计算机科学，看视频课件太零散？推荐这个超级宝藏项目——GitHub上的「cs-video-courses」🎓，汇聚了全球顶尖高校和教授的计算机科学各类课程视频资源。课程涵盖广泛，从入门级编程基础，到算法、操作系统、人工智能、机器学习、深度学习、自然语言处理、大数据、计算机视觉、密码学、区块链，再到量子计算和机器人控制，内容丰富全面。不仅有MIT、斯坦福、伯克利、CMU等名校课程，还有IIT、清华等多所国际高校精选课件。无论你是零基础新手，还是想深化专业知识，都能找到适合的课程学习。结构清晰，按照主题分类排布，想学啥点进去就看，极大节约搜课时间。GitHub：github.com/Developer-Y/cs-video-courses主要亮点：- 分类详细，涵盖CS几乎所有分支；- 大多数课程均免费下载观看视频；- 集合了顶尖高校原版公开课；- 持续更新，紧跟学科前沿；- 适合自学、自主进阶和科研参考。想系统掌握计算机科学，这个项目就是你的知识宝库。推荐收藏，转发给同学和朋友！#计算机科学# #开源资源# #自学神器# #人工智能# #机器学习#

7. 《大语言模型（LLM）学习路径和资料汇总》为不同水平的学习者提供了系统且实用的学习指南，涵盖入门、应用和深入三个阶段。入门部分帮助理解基础知识和常用术语，推荐通过OpenAI API和如openrouter.ai等平台实践；应用篇则聚焦于本地部署开源模型及主流开发框架（如LangChain、Dify），并介绍Prompt工程、RAG、Agent等实战范式；深入篇则深入探讨模型原理、训练微调、数据工程及推理优化，配以权威教材和前沿课程，助力打造扎实理论基础与技术能力。这份汇总是大语言模型领域知识体系化学习的宝贵指南，适合希望系统掌握LLM技术的所有人阅读与分享。原文链接：github.com/ninehills/blog/issues/97

8. #当当有礼# 《豆包 AI从会用到精通》在人工智能深刻重塑生产力的当下，豆包AI已不仅仅是一个对话框，而是能深度嵌入办公、学习、生活的全能型数字伙伴。🎁转+评此条微博，抽2位幸运书友，各赠《豆包 AI从会用到精通》1册。覆盖三大领域，近百真实场景+实战示例，生活篇——用豆包创造更好生活；学习篇——构筑终身成长的个人系统；生产力篇——打造你的AI赚钱神器。从全场景的“图、影、音、播”多媒体创作，到沉浸式的深度研究与K12家庭辅导，再到轻松打造你的专属智能体，将带你跨越“会用”与“精通”之间的鸿沟。特别总结了“通用提示词七步法模板”，助你精准下达指令；并前瞻性地收录了Seedance 2.0深度解析与“AI防忽悠指南”，助你洞悉交互逻辑并规避算法幻觉。用好豆包AI，开启你的智能进化之路，这一本就够了。

9. 普林斯顿大学的电子书 Theory of Deep Learning 《深度学习理论》pdf下载： www.cs.princeton.edu/~arora/TheoryDL.pdf它的目标读者是那些已经掌握深度学习基础，并希望深入理解其背后数学原理的人。通过学习本书，读者可以掌握深度学习模型为何能有效优化（如非凸景观、逃离鞍点）、为何能泛化（如泛化理论、PAC-Bayes ）以及现代架构（如语言模型和归一化）为何奏效的理论基础。#微博兴趣创作计划#

10. 机器学习项目从实验、开发到部署再到持续迭代，流程复杂且技术门槛高。Made With ML 是一个开源教学项目，帮助开发者系统学习如何设计、开发和部署生产级机器学习应用。它不仅涵盖机器学习核心概念，还结合软件工程最佳实践，讲解如何构建可靠的端到端ML系统。课程内容包括模型训练、调优、实验追踪、CI/CD自动化部署等，支持Python生态和多种分布式计算方案。主要特点：- 从理论到实践，逐步深入机器学习设计和生产部署流程；- 使用MLflow进行实验管理和模型注册；- 集成Ray实现分布式训练和在线推理服务；- 详尽的代码示例和Jupyter笔记本，便于交互学习；- 支持本地和云端环境，适合个人和团队使用；- 提供完备的CI/CD流程，实现模型自动测试和持续交付。GitHub地址：github.com/GokuMohandas/Made-With-ML 适合所有希望掌握实战机器学习开发和运维技能的开发者、数据科学家和产品经理。通过系统学习，将机器学习项目从实验室带入生产，实现快速迭代和稳定交付。

11. 在线学习智能体构建，总被碎片化资料困扰？Datawhale 社区打造的《从零开始构建智能体》教程，帮你系统掌握智能体原理与实践！这个开源项目覆盖了智能体基础知识、大语言模型智能体搭建、高级技术扩展，到多智能体综合案例实战，最后还有毕业设计项目，理论与实战并重，适合有 Python 基础和 LLM 概念的开发者、学生、自学者。亮点功能：- 全面讲解智能体历史、范式与类型，打好理论根基；- hands-on 经典智能体范式实现（ReAct、Plan-and-Solve 等）；- 探索低代码智能体平台并开发自研智能体框架；- 深入上下文工程、记忆检索、多智能体通信协议与智能体训练；- 丰富实战案例：智能旅行助手、深度研究智能体、模拟赛博小镇；- 配套完整代码，支持本地运行，社区活跃互动，随时求助解惑。项目完全免费，PDF 教程无水印，助你从 LLM 使用者进阶为智能体系统构建者。📚 在线阅读及教程下载地址：datawhalechina.github.io/hello-agents/🌟 GitHub 地址：github.com/datawhalechina/hello-agents动手实践智能体开发，让 AI 不再是黑盒，成为你创造未来的利器！#AI创造营##人工智能#

12. MiniTorch，一个面向机器学习工程师的 DIY 教学库，旨在帮助他们了解深度学习系统背后的内部概念。它用纯 Python 重新实现的 Torch API，设计简洁、易于阅读、易于测试且可逐步改进。地址： minitorch.github.io/该项目将深度学习系统的构建分解为几个关键模块，涵盖了从基础到高阶的内容：基础：机器学习编程基础、模块化、测试。自动微分：导数、标量自动微分、反向传播。张量：张量操作、广播机制 (Broadcasting)、自动梯度 (Auto-Grad)。效率：并行计算、操作融合、GPU 编程。神经网络：卷积层、池化层、多分类问题。该项目最初是为康奈尔理工学院 (Cornell Tech) 的“机器学习工程”课程开发的。#科技先锋官#

13. github.com/luongnv89/claude-howto一个面向 Claude Code 的实战型学习仓库。它用可视化讲解、逐步学习路径和可复制模板，系统覆盖斜杠命令、memory、skills、subagents、MCP、hooks、plugins、CLI 等能力，帮助开发者把零散功能组合成可落地的自动化工作流，例如代码评审、代理协作和安全扫描流水线；项目还提供目录索引、学习路线、快速参考和自测入口，适合想在较短时间内从入门推进到高阶使用的 Claude Code 用户。#How I AI#

14. 《GNN From Scratch》一篇关于图神经网络（GNN）从零开始的详尽博客。作者用清晰的数学推导、直观的可视化和实用代码，系统地讲解了GNN的原理和实现过程。这篇文章正是他当初学习GNN时梦寐以求的那种入门指南，极具教学价值。这篇博客提醒我们：深度学习模型虽复杂，但只要拆解成基础步骤，结合直观示例，就能被更多人掌握。真正的学习不是盲目追求复杂，而是深入理解本质，做到“从零开始”。这也启示我们，分享知识和持续改进，是成长道路上不可或缺的推动力。原文：cultured-avenue-f13.notion.site/GNN-From-Scratch-2a3dfe9550dd80ac87deee4fe6cd0696

15. 学习新知识时常常需要在多个工具间来回切换，看论文用一个软件，做笔记用另一个，遇到问题还得单独搜索，效率很低。DeepTutor 是香港大学开源的 AI 学习助手，把文档问答、知识可视化、练习生成、深度研究等功能整合到一个平台。上传教材或论文后，系统会构建知识库，支持多轮对话问答并给出带引用的分步解答。还能根据学习进度自动生成练习题，甚至模拟真实考试风格出题。GitHub：github.com/HKUDS/DeepTutor主要功能：- 大规模文档知识问答，支持教材、论文、技术手册等多种格式；- 多智能体协作解题，结合 RAG、网络搜索和代码执行给出分步解答；- 交互式知识可视化，将复杂概念转化为易懂的图解和演示；- 智能练习生成，根据学习水平定制题目，支持模拟真题风格；- 深度研究与文献综述，自动发现知识空白和研究方向；- 个人知识库和笔记本，追踪学习进度并保持上下文记忆。支持 Web 界面使用，通过 Python 和 npm 安装依赖后即可本地运行，适合学生、研究人员和自学者使用。

16. 新书《Hands-On Machine Learning with Scikit-Learn and PyTorch》剖析了机器学习学习者常遇的难题，并指出该书如何帮助他们突破瓶颈。作者Aurélien Géron以通俗易懂却内容丰富的风格，带领读者从基础到高级，系统掌握机器学习与深度学习的关键技术。书中涵盖了机器学习的核心概念（如过拟合与超参数调优），并通过Scikit-Learn带领读者完成从数据探索到模型评估的端到端项目实战。此外，还介绍了无监督学习（聚类、异常检测）、深度学习框架PyTorch的高级架构（变压器、扩散模型）及预训练模型（大型语言模型）的微调方法。强化学习训练自主智能体的内容也为读者打开了更广阔的应用视野。这本书不仅适合学生和专业人士，更是AI爱好者的理想入门指南。它把复杂的机器学习技术拆解成易于理解的模块，鼓励读者亲自动手，真正掌握智能系统的构建方法。借助Hugging Face生态和丰富的实战案例，读者不仅学会“是什么”，更懂“怎么做”。在人工智能日益普及的今天，掌握机器学习从理论到实践的能力，已成为技术人不可或缺的核心竞争力。这本书为迈向AI实战之路提供了坚实的基石。链接：www.oreilly.com/library/view/hands-on-machine-learning/9798341607972/

17. 一个开源 CUDA 教程github.com/infatoshi/cuda-course本课程用来帮助习惯于 Python/PyTorch 的深度学习从业者理解底层 GPU 编程，并为理解如 Karpathy 的 llm.c 等项目打下基础。不同于传统的 CUDA 课程（通常侧重于物理模拟或通用并行计算），这门课非常针对深度学习。它明确讨论了 PyTorch 生态、Triton 语言以及如何编写 PyTorch 的 CUDA 扩展。对于 AI 工程师来说，这种上下文非常宝贵。#科技先锋官##AI创造营#

18. Dr. Kareem Carr 分享了他学习统计与信号处理的书单推荐，涉及从基础数学到高级机器学习多个层次，值得统计学和机器学习爱好者参考：1. 《The Art of Doing Science and Engineering: Learning to Learn》——科学与工程的学习艺术，强调学习方法。2. 《Fundamentals of Statistical Signal Processing: Estimation Theory》——统计信号处理基础，Carr最喜欢的信号处理书。3. 《The Elements of Statistical Learning》——统计学习要素，免费在线提供。4. 《Pattern Recognition and Machine Learning》——模式识别与机器学习，经典教材。5. 《Linear Algebra and Learning from Data》——线性代数与数据学习，理清数学结构。6. 《Statistical Inference》——统计推断，第二版。7. 《Probabilistic Machine Learning: An Introduction》——概率机器学习入门。8. 《Probabilistic Machine Learning: Advanced Topics》——概率机器学习高级主题。9. 《Machine Learning》 by Murphy——机器学习，兼具理论与代码示例。Carr特别强调统计信号处理的重要性，并推荐基础数学书籍如《How to Prove It》和《How to Study as a Mathematics Major》帮助理解数学结构。他还提醒AI辅助学习虽方便，但需警惕“幻觉”现象，建议结合权威教材系统学习。对于想要打好基础的学习者，Carr建议先从线性代数、抽象代数等数学基础学起，再循序渐进到统计推断和机器学习。完整书单顺序见图，涵盖从学习方法、数学基础、信号处理到统计与机器学习的系统路径，适合有志深入理解数据科学和统计学习的朋友。推文原文链接：x.com/kareem_carr/status/1982086233607283028此推荐体系结合了理论与实践，且配有免费资源（如《统计学习要素》），是构建扎实统计与机器学习知识体系的极佳路线。

19. 开发AI Agent常常需要切换多个框架和工具，记忆系统难管理，技能创建繁琐，自学习循环还得从零搭建，效率低下。《Hermes Agent 从入门到精通》橙皮书，提供Nous Research开源AI Agent框架的完整实战指南。全书17章5部分，详解自学习循环、三层记忆系统、自动技能创建与演化，还包括安装、多平台部署和真实场景应用。GitHub：github.com/alchaincyf/hermes-agent-orange-book主要内容：- 从Harness工程到Hermes Agent核心概念；- 学习循环、记忆系统、Skills与工具生态；- 动手安装、首次对话、多平台运行与自定义；- 知识助手、开发自动化、内容创作、多Agent实战；- 自学习Agent边界与三方对比深度思考。免费PDF下载，支持开发者与AI爱好者快速上手，基于Hermes Agent v0.7.0。#AI橙皮书##HermesAgent##人工智能#

20. 一文讲清普通人如何自学人工智能

21. Python 第三方库：TensorFlow（深度学习框架）

22. Python 第三方库：PyTorch（动态计算图的深度学习框架）

23. 国家标准解读：GB/T 46345 - 2025《人工智能深度学习编译器接口》

24. 普林斯顿大学COS 324机器学习课程的讲义（256页的pdf文档，好整啊）princeton-introml.github.io/files/COS324_Course_Notes.pdf该讲义全面介绍了机器学习的基本概念和范式，包括监督学习、无监督学习、深度学习和强化学习。课程涵盖了线性模型、聚类、降维、语言模型、矩阵分解等，并讨论了机器学习在伦理、自然语言处理等领域的应用。此外，还包括了概率、统计、微积分和线性代数等数学基础知识。#微博兴趣创作计划#

25. ageron.github.io/homlp/HOMLP_Appendix_E.pdf机器学习教材《Hands-On Machine Learning with Scikit-Learn and PyTorch》（“蜥蜴书”）的样张附录 E 下载。这一章的内容非常前沿且硬核，专门讲解了状态空间模型 (State-Space Models, SSMs)。这是近年来深度学习领域（尤其是序列建模）的一个重要突破，被视为 Transformer 架构的竞争者。#科技先锋官#

26. 斯坦福公开课 CS234：强化学习，2025年冬季版主页： web.stanford.edu/class/cs234/相关课件下载： web.stanford.edu/class/cs234/modules.html要实现人工智能的梦想和影响，必须依赖能够自主学习并做出正确决策的系统。强化学习是实现这一目标的一个强大范式，适用于广泛的任务，包括机器人技术、游戏玩法、消费者建模和医疗保健。本课程将为学生提供强化学习领域的坚实入门，学生将学习到该领域的核心挑战和方法，包括泛化和探索。通过讲座、书面作业和编程作业的结合，学生将掌握强化学习的关键思想和技术。作业将涵盖强化学习的基础知识以及深度强化学习——这一结合了深度学习技术与强化学习的极具前景的新领域。#科技先锋官#

27. 闭着眼都能选！这十本关于深度学习的书籍可以说是大家公认的学习深度学习最好的书籍

28. 资源推荐暨心得感悟征集 | 书籍《深度学习入门:基于Python的理论与实现》

29. 豆瓣 9 分 +！AI 入门必看的《神经网络与深度学习》

30. 这绝对是学深度学习必看的4本好书！每一本都极具价值！

31. 分享《深度学习入门:基于Python的理论与实现》高清中文版PDF+源代码

32. 2026最经典的几本深度学习书！

33. 重要的事情说三遍！不要拿花书入门！不要拿花书入门！不要拿花书入门！

34. 盘点入门人工智能的主流书籍，从夯到拉让你少走弯路！

35. 鉴定网络热门人工智能书籍（1），总有一本你看过！

36. 要基于PyTorch做深度学习，是先学PyTorch还是深度学习？

37. 【硕博生基本功】李沐大神教学基于PyTorch实现深度学习，干货讲解神经网络、transformer、优化算法、语义分割等深度学习基础知识—kaggle竞赛

38. 【深度学习】深度学习导论与历史发展

39. 李沐的《动手深度学习》真的不适合初学者吗？

40. 豆瓣9.3分！深度学习神作“鱼书”系列第四弹强化学习依旧是入门最佳！

41. 强推！盘点适合初学者看的AI入门书籍，看完少走一半弯路！

42. 豆瓣9.4，日本学霸人手一本

43. AI 领域值得推荐的书籍

44. Pytorch深度学习入门

45. 全网下载量高达630000！深度学习入门必看教科书！！

46. 下载量高达58W次！原作者都下场亲自带读！

47. 豆瓣9.6分！鱼书作者又一力作！手把手带你创建深度学习框架，直击现代深度学习框架本质！

48. 想快速实践深度强化学习看什么书？

49. 不会机器学习？来，一本《零起点python机器学习快速入门》送给你

50. 🌟 《AI训练师手册

51. 推荐这5本 AI 好书，入局 AI 抓风口必看

52. 学习深度学习，更要理解深度学习！（附PDF文档）

53. 千万不要为了学深度学习而重新学数学知识，那样不仅浪费时间不说，而且会耗光你学深度学习的热情！

54. 真的不需要为深度学习重学数学吗？

55. 深度学习入门完全指南

56. 非计算机专业也能快速跑通看懂深度学习代码

57. AI入门三剑客！从机器学习到深度学习全通关✨

58. 被称为深度学习龙纹圣经

59. 🍅动手学深度学习（上）

60. 《理解深度学习》目录，每篇文章以视频开头（持续更新中）

61. 强推！清华大学力作《深度学习原理与实践》，瞬间让我对深度学习的兴趣达到了1000000%！

62. 【爆肝50小时】基于PyTorch的实现深度学习，轻松搞懂

63. 最值得普通人看的三本AI书籍

64. 推荐一些AI和大模型相关的书籍

65. 每周一书《零基础实践深度学习（第二版） pdf》分享

66. 深度学习入门，读这一本就够！

67. 真的手把手教神经网络与深度学习

68. 这位大佬是真把我当小孩教……

69. 提到机器学习与漫画的结合你会想到什么

70. Python深度学习“四大名著”之《使用PyTorch和Scikit Learn进行深度学习》免费pdf分享

71. 想学深度学习：它>统计学习方法>西瓜书

72. 2025新年荐书！最值得一读的8部机器学习教程（PDF下载）

73. 图书推荐 | 堪称教材天花板，深度学习教材——TensorFlow 2 深度学习实战（第2版）（ - 哔哩哔哩

74. 📘 开源宝藏 | 深度学习最系统的一本书！

75. 图书推荐 | 堪称教材天花板，深度学习教材合集来啦！

76. 豆瓣评分9.6！涵盖深度学习基础到高级模型的深入理解和最佳实践方法！

77. 深度学习还得是看邱锡鹏大佬的书😭。深度学习还得是看邱锡鹏大佬的书😭 [赞R][赞R][赞R]该书系统地整理了深度学习的知识体系，从基础到进阶，涵盖了神经网络和深度学习的核心概念、模型以及应用。全书共15章，分为三个部分：机器学习基础、基础模型和进阶模型。 #计算机视觉 #自然语言处理 #研究生#神经网络#深度学习

78. AI学习必看！深度学习革命指南yyds

79. 变分自编码-2 深度学习-CMU-2021

80. 非计算机专业也能学AI！3个零门槛入门路径

81. 理解深度学习 pdf 电子版下载练习题答案详情见简介

82. 【深度学习入门】《深度学习入门》学习笔记系列

90%的人学不动深度学习，是因为第一本书就选错了

精选参考来源