有哪些书籍可以快速入门人工智能(AI)?
想快速入门,先按目标选书,不必一开始就把数学教材从头啃完。
如果希望建立机器学习全景,可读周志华《机器学习》(常称“西瓜书”):覆盖监督学习、模型评估、集成学习、聚类等经典主题,适合有基本编程和线性代数基础的读者,部分推导较密,可以先抓住问题设定、算法思路和适用条件。配合在线课程或用 Python 实现几个小例子,理解会更牢。
偏实践、希望尽快动手的,可选 Aurélien Géron 的《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow》。它围绕代码和项目讲传统机器学习及神经网络,适合会一些 Python 的读者;不同版本的软件接口会变化,跟练时应以所用版本的官方文档为准。
如果重点是深度学习,可从 Ian Goodfellow、Yoshua Bengio、Aaron Courville 的《Deep Learning》(有中译本)挑选章节学习。它更偏理论与方法,适合已有微积分、线性代数和概率基础后查阅,不一定适合作为零基础的第一本书。
对生成式 AI 和大语言模型感兴趣,可以把一本机器学习入门书与近期课程、论文讲解和模型实践结合起来。这个领域迭代很快,书籍适合建立神经网络、注意力机制等基础,具体模型能力、工具和最佳实践则要核对最新资料。
一个省时路线是:先用 Python 做数据处理和简单分类/回归,再选一本书系统补概念,最后围绕一个小问题完成数据准备、训练、评估和误差分析。数学方面遇到需要的内容再补线性代数、概率统计和微积分,通常比先追求“学完所有数学”更容易坚持。