德阳吧人工智能规划2030（独家 ｜ 2024人工智能学习路线图 （附链接））
本文约8000字，建议阅读15分钟
本文是为黑客和程序员学习人工智能提供的免费课程。
如果觉得本文有帮助，请在推特和领英上关注我！我每周都会和朋友们分享有趣的链接，也可以及时订阅。
想学习人工智能吗？却不知道如何或从哪里开始？
早在2020年，我就在互联网上写下了前20大免费数据科学、ML和AI MOOCs（https://towardsdatascience.com/top-20-free-data-science-ml-and-ai-moocs-on-the-internet-4036bd0aac12），时至今日，很多课程已今非昔比。
为了摆脱“教程陷阱”，学习到真东西，必须动手实践，从头编写算法，复现论文，并通过真实项目用人工智能来解决实际问题。
本文设计了一套遵循该理念的免费课程，我自己也正在学习其中的一些课程，所以如果你想一起学习的话，请联系推特或领英！
另外，如果你认为课程内容不完整的话，敬请留言！
首先，需要做一些关于课程的笔记和一些学习建议。
用excalidraw绘图
自上而下的方法
本课程遵循一种自上而下的方法——首先是代码，然后是理论。
我倾向于根据实际需要进行学习。所以，如果需要弄清楚某个东西、解决问题或制作原型，我将广泛地搜集所需信息，深入研究并理解它，然后采取行动。
例如，我的目标是成为一名理解LLM的人工智能工程师（https://www.latent.space/p/ai-engineer），这需要拥有从零开始编写Transformer以及在GPU上微调LLM等技能。但由于存在知识缺漏，我目前无法做到这些。因此，我的目标是填补这些空白。
这个课程主要关注自然语言处理（Natural Language Processing，NLP），如果寻求学习其他人工智能专业，如计算机视觉或强化学习，请在文后评论或在推特或领英上DM我，我会给你一些建议。
在把一堆链接交给你之前，我希望在开始学习之前能有人告诉我两件重要的事情。
公开学习
有很多东西要学习，或许永远也学不完。尤其是人工智能，每周都有新的革命性论文和想法发布。
容易犯的最大错误是在私密状态下学习。这样无法为自己创造任何机会。除了能说你完成了一些事情之外，没有什么可以展示的。更重要的是，如何利用这些信息，将其转化为知识并与公众分享，对这些信息有什么新的想法和解决方案。
所以，应该公开学习（https://www.swyx.io/learn-in-public）。
这意味着要养成创造的习惯，例如：
写博客和教程加入黑客马拉松，并与他人合作在Discord社区询问和回答问题从事你感兴趣的业余项目在推特上发布一些你发现的有趣的东西
再来说说推特。
使用推特
如果你关注了对的人，并能够正确地使用它，推特是当今任何人都能参与的价值最高的社交平台。
要关注谁？看看Suhail的人工智能列表（https://twitter.com/i/lists/1539497752140206080?s=20）。
如何使用推特？请阅读尼尔的《如何成功发布推特》（https://near.blog/how-to-twitter-successfully/?curius=1935）。
在推特上发送私信给别人时，要真诚、简洁，并提出具体的要求。Sriram Krishnan写的《如何写冷电子邮件》指南（https://sriramk.com/coldemail/）也适用于私信。
如何发推文？请阅读Instructor创始人Jason（https://twitter.com/jxnlco）写的《推文剖析》（https://mp.weixin.qq.com/cgi-bin/appmsg?t=media/appmsg_edit_v2&action=edit&isNew=1&type=77&createType=0&token=837735478&lang=zh_CN×tamp=1712153003025#hook）一文。他在几个月内从0关注者成长到14k粉丝。
如果你正在读本文，请在推特上关注我！
给我发私信，告诉我你在做什么！我愿意和你合作一些很酷的项目。
现在让我们开始吧。
内容列表
1 数学2 工具
∘2.1 Python
（https://mp.weixin.qq.com/cgi-bin/appmsg?t=media/appmsg_edit_v2&action=edit&isNew=1&type=77&createType=0&token=837735478&lang=zh_CN×tamp=1712153003025#6e37）∘2.2 PyTorch3 机器学习
∘ 3.1从零开始动手实践
∘3.2竞赛
∘3.3做项目
∘3.4部署项目
∘3.5补充
4 深度学习
∘4.1 Fast.ai
∘ 4.2参加更多竞赛
∘ 4.3论文复现
∘4.4计算机视觉∘4.5强化学习∘ 4.6 NLP5 大型语言模型∘ 5.1观看神经网络: 从零基础到高手
∘ 5.2免费 LLM 训练营
∘ 5.3使用LLMs构建应用
∘ 5.4参加黑客松比赛
∘ 5.5阅读论文
∘ 5.6从头开始写 Transformers（https://mp.weixin.qq.com/cgi-bin/appmsg?t=media/appmsg_edit_v2&action=edit&isNew=1&type=77&createType=0&token=837735478&lang=zh_CN×tamp=1712153003025#4df0）
∘ 5.7一些优质博客
∘ 5.8观看 Umar Jamil的视频
∘5.9学习如何运行开源模型
∘5.10 提示工程
∘ 5.11 微调LLM
∘ 5.12 RAG
6如何追踪前沿动态7其他有用的资源
1 数学
DALL·E
机器学习依赖于三大数学支柱：线性代数、微积分、概率和统计学。它们各自发挥着独特的作用，使算法能够有效地运行。
线性代数：用于数据表示和操作的数学工具包，其中矩阵和向量构成了算法解释和处理信息的语言；微积分：机器学习的优化引擎，通过理解梯度和变化率来学习和改进算法；概率和统计：不确定性下决策的基础，通过随机性和可变性模型，使算法能够从数据中预测结果。
从程序员的角度来看，这是一个关于机器学习数学的优秀视频系列：由Weight&Biases团队出品的《机器学习数学》（https://www.youtube.com/playlist?list=PLD80i8An1OEGZ2tYimemzwC3xqkU0jKUg））（代码）（https://github.com/wandb/edu/tree/main/math-for-ml）
如果想要学习从代码入手的线性代数方法，可以看看由fast.ai团队制作的《计算线性代数》（https://www.fast.ai/posts/2017-07-17-num-lin-alg.html）（视频，代码）（https://www.youtube.com/playlist?list=PLtmWHNX-gukIc92m1K0P6bIOnZb-mg0hY）
在学习过程中，可以阅读《应用机器学习的线性代数简介与Python》（https://pabloinsente.github.io/intro-linear-algebra）。
如果想学习一些更传统的东西，可以观看伦敦帝国理工学院的讲座——《线性代数》（https://www.youtube.com/playlist?list=PLiiljHvN6z1_o1ztXTKWPrShrMrBLo5P3）和《多元微积分》（https://www.youtube.com/playlist?list=PLiiljHvN6z193BBzS0Ln8NnqQmzimTW23）。
还可以观看3Blue1Brown的《线性代数的本质》和《微积分的本质》
《线性代数的本质》
https://www.youtube.com/playlist?list=PLZHQObOWTQDPD3MizzM2xVFitgF8hE_ab
《微积分的本质》
https://www.youtube.com/playlist?list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr
如果你想要学习统计学，可以观看StatQuest的《统计学基础》（https://www.youtube.com/playlist?list=PLblh5JKOoLUK0FLuzwntyYI10UQFUhsY9）
补充
书籍：《机器学习数学》（https://mml-book.github.io/book/mml-book.pdf）
论文：《深度学习所需的矩阵微积分》（https://arxiv.org/pdf/1802.01528.pdf）
2 工具
DALL·E
2.1 Python
面向初学者：《实用Python编程》
https://dabeaz-course.github.io/practical-python/Notes/Contents.html
有一定Python基础：《高级Python进阶》
https://github.com/dabeaz-course/python-mastery?tab=readme-ov-file
以上课程均由Python Cookbook作者David Beazley制作，制作精良。
之后，可以观看James Powell的一些演讲，以及阅读《Python设计模式》一书。
James Powell的一些演讲
https://www.youtube.com/playlist?list=PLdQruVCKu10lhVEnAQqRncVc8EIQN-x-X
《Python设计模式》
https://python-patterns.guide/
补充
书籍：《Fluent Python》第二版（代码）
https://www.oreilly.com/library/view/fluent-python-2nd/9781492056348/
代码：
https://github.com/fluentpython/example-code-2es
播客：《Real Python》和《Talk Python》
《Real Python》
https://realpython.com/podcasts/rpp/
《Talk Python》
https://talkpython.fm/episodes/all
2.2 PyTorch
观看Aladdin Persson的《PyTorch教程》
Aladdin Persson
https://www.youtube.com/c/AladdinPersson
《PyTorch教程》
https://www.youtube.com/playlist?list=PLhhyoLH6IjfxeoooqP9rhU3HJIAVAJ3Vz
PyTorch官网同样提供了丰富的学习资源：
PyTorch 实例教程（https://pytorch.org/examples/）PyTorch官方教程（https://pytorch.org/tutorials/index.html）常见问题解答 (FAQ)（https://pytorch.org/docs/stable/notes/faq.html）
完成一些有趣的谜题来测试你的 PyTorch 知识：
lsrush/Tensor-Puzzles: 通过解决谜题提升你的 PyTorch 技能
（https://github.com/srush/Tensor-Puzzles）
补充
书籍：《深度学习PyTorch编程》
（https://www.oreilly.com/library/view/programming-pytorch-for/9781492045342/）
3 机器学习
DALL·E
继续阅读《100页机器学习书》。
https://themlbook.com/
3.1 从零开始动手实践
在阅读理论知识的同时，尝试从头开始实现算法。
参考以下代码库：
leriklindernoren/ML-From-Scratch（https://github.com/eriklindernoren/ML-From-Scratch）lJeremyNixon/oracle（https://github.com/JeremyNixon/oracle）ltrekhleb/homemade-machine-learning（https://github.com/trekhleb/homemade-machine-learning）
如果想要接受挑战，可以跟随以下课程尝试从零开始搭建PyTorch 深度学习框架：
lMiniTorch: 机器学习工程 DIY 课程 (视频, 代码)
MiniTorch: 机器学习工程 DIY 课程
https://minitorch.github.io/
视频
https://www.youtube.com/playlist?list=PLO45-80-XKkQyROXXpn4PfjF1J2tH46w8
代码
https://github.com/minitorch
3.2 竞赛
将所学的知识运用到竞赛中。
参加bitgrit和Kaggle等平台上的ML比赛；你可以阅读这篇文章获取更多信息。
bitgrit
https://bitgrit.net/competition/
Kaggle
https://www.kaggle.com/
这篇文章
https://towardsdatascience.com/12-data-science-ai-competitions-to-advance-your-skills-in-2021-32e3fcb95d8c
研究过去获奖的解决方案：学习并分析他们是如何解决问题的。
https://farid.one/kaggle-solutions
3.3 做项目
阅读Vicki Boykis的《将机器学习投入生产》。
https://vickiboykis.com/2020/06/09/getting-machine-learning-to-production/
Vicki Boykis还写了一篇关于构建图书语义搜索引擎Viberary的心得体会，可以作为参考。
https://vickiboykis.com/2024/01/05/retro-on-viberary/
获取一个数据集并搭建模型（即，使用earthaccess获取NASA的地理数据）。
https://www.earthdata.nasa.gov/learn/blog/earthaccess
创建一个带有streamlit的UI，并在推特上分享它。
https://streamlit.io/
3.4 部署项目
将模型部署到生产环境并追踪实验结果，学习如何监控模型，亲身体验数据和模型漂移。
以下是一些优质资源：
Made With ML（https://madewithml.com/）DataTalksClub/mlops-zoomcamp: 免费 MLOps 教程（https://github.com/DataTalksClub/mlops-zoomcamp）chiphuyen/机器学习系统设计（https://github.com/chiphuyen/machine-learning-systems-design）Evidently AI — 机器学习系统设计300例（https://www.evidentlyai.com/ml-system-design）stas00/ml工程: 机器学习工程线上书（https://github.com/stas00/ml-engineering）
3.5 补充
PyTorch 和Scikit-Learn 机器学习(代码)
PyTorch 和Scikit-Learn 机器学习
https://www.oreilly.com/library/view/machine-learning-with/9781801819312/
代码
https://github.com/rasbt/machine-learning-book
[1811.12808]机器学习模型评估, 模型选择和算法选择
https://arxiv.org/abs/1811.12808
机器学习面试攻略 · MLIB
https://huyenchip.com/ml-interviews-book/
4 深度学习
如果想要自上而下学习，从fast.ai开始。
4.1 Fast.ai
lfast.ai (part1, part2) + W&B 学习小组
part1
https://course.fast.ai/
part2
https://course.fast.ai/Lessons/part2.html
W&B 学习小组
https://wandb.ai/wandb_fc/events/reports/W-B-Study-Group-Lectures-fast-ai-w-Hugging-Face--Vmlldzo4NDUzNDU?galleryTag=events
喜欢 fast.ai？看看《全栈深度学习》课程。
https://fullstackdeeplearning.com/course/2022
如果想要一个更全面的经典课程，可以考虑François Fleuret的《UNIGE 14x050-深度学习》课程。
François Fleuret
https://fleuret.org/francois/
《UNIGE 14x050-深度学习》
https://fleuret.org/dlc/
如果需要在学习过程中需要用到理论，这些都是很棒的书：
《深入深度学习》(附 PyTorch, NumPy/MXNet, JAX, and TensorFlow示例源代码)
https://d2l.ai/index.html
Ian Goodfellow、Yoshua Bengio和Aaron Courville的《深度学习》
https://www.deeplearningbook.org/
《神经网络和深度学习》
http://neuralnetworksanddeeplearning.com/
《理解深度学习》(附笔记)
https://udlbook.github.io/udlbook/
https://github.com/udlbook/udlbook/tree/main/Notebooks
与其刷社交媒体，不如在手机上阅读《深度学习小书》。
https://fleuret.org/francois/lbdl.html
利用神经网络训练的间隙，可以看看这些资源：
《训练神经网络的秘诀》
https://karpathy.github.io/2019/04/25/recipe
《深度神经网络：33年之前和33 年之后》
https://karpathy.github.io/2022/03/14/lecun1989/
4.2 参与更多的竞赛
PlantTraits2024 — FGVC11 | Kaggle (计算机视觉)
https://www.kaggle.com/competitions/planttraits2024
4.3 复现论文
查看labml.ai注释的PyTorch论文复现。
https://nn.labml.ai/index.html
Papers with Code是个很棒的论文资源网站，例如他们网站上这篇关于BERT的解释文章。
https://paperswithcode.com/method/bert
下面是一些深度学习的专业资源。
4.4计算机视觉
很多人推荐《CS231n：计算机视觉的深度学习》。这门课程很有挑战性，但值得一试。
http://cs231n.stanford.edu/
4.5强化学习
对于强化学习领域，以下两个资源非常棒：
OpenAI 的《旋转式深度强化学习》
https://spinningup.openai.com/en/latest/
Hugging Face的《深度强化学习教程》
https://huggingface.co/learn/deep-rl-course/unit0/introduction
4.6 NLP
斯坦福课程的另一门精彩课程：《CS 224N |深度学习自然语言处理》
https://web.stanford.edu/class/archive/cs/cs224n/cs224n.1234/
学习 《Hugging Face: Hugging Face NLP教程》
https://huggingface.co/learn/nlp-course/chapter1/1
看看Super Duper NLP Repo
https://notebooks.quantumstat.com/?trk=public_post-text
优质文章和解析
《BERT研究 - 第1集 - 核心概念和资源》- Chris McCormick
https://mccormickml.com/2019/11/11/bert-research-ep-1-key-concepts-and-sources
《图解Word2vec》- Jay Alammar
https://jalammar.github.io/illustrated-word2vec
《图解 BERT、ELMo 和其他NLP模型 (自然语言处理如何破解迁移学习)》
https://jalammar.github.io/illustrated-bert
《理解 LSTM 网络》 — colah的博客
https://colah.github.io/posts/2015-08-Understanding-LSTMs
《从零开始用PyTorch实现RNN》- Jake Tae
https://jaketae.github.io/study/pytorch-rnn/
补充
《Transformers 自然语言处理》一书
https://transformersbook.com/
5 大型语言模型
首先，观看Andrej的《一小时大型语言模型介绍》。
https://www.youtube.com/watch?v=zjkBMFhNj_g
然后是Alexander Rush（康奈尔科技校区）的《用五个公式理解大型语言模型》
Alexander Rush
https://tech.cornell.edu/people/alexander-rush/
《用五个公式理解大型语言模型》
https://www.youtube.com/watch?v=KCXDr-UOb9A
5.1 观看《神经网络：从零基础到高手》
它以解释和编写反向传播算法为开始，以从头开始编写GPT为结尾。
《神经网络：从零基础到高手》，作者：AndrejKarpathy
https://karpathy.ai/zero-to-hero.html
他刚刚发布了一个新的视频→《构建GPT分词器》
https://www.youtube.com/watch?v=zduSFxRajkE
你也可以看看Jay Mody的《用60行NumPy代码实现GPT》
https://jaykmody.com/blog/gpt-from-scratch
5.2 免费LLM训练营
由Full Stack Deep Learning推出的一套原需付费的大型语言模型（LLM）训练营课程，现已免费开放。
https://fullstackdeeplearning.com/llm-bootcamp/
它教授提示工程、大型语言模型运维（LLMOps）、大型语言模型用户体验（UX）设计，以及如何在一个小时内发布LLM应用程序等内容。
训练营结束，你已跃跃欲试了吧？
5.3 使用LLMs构建应用
想要用LLMs来构建应用程序吗？
观看吴恩达（Andrew Ng）的《利用LLM进行应用开发》课程。
https://nips.cc/virtual/2023/tutorial/73948
阅读Huyen Chip的《构建适用于生产环境的LLM应用》。
https://huyenchip.com/2023/04/11/llm-engineering.html
阅读Eugene Yan的《构建基于LLM的系统和产品的模式》。
https://eugeneyan.com/writing/llm-patterns
请查阅《OpenAI Cookbook》获取代码示例。
https://cookbook.openai.com/
可以使用Vercel AI模板快速上手。
https://vercel.com/templates/ai
5.4 参加黑客松比赛
lablab.ai 每周都会有新的人工智能黑客松比赛。如有合作意向，请告诉我！
https://twitter.com/benxneo
如果你想更深入地研究理论并理解一切是如何运作的，请继续阅读。
5.5 阅读论文
Sebastian Raschka 写了一篇名为《理解大型语言模型》的精彩文章，他在文中列出了一些值得阅读的论文。
Sebastian Raschka
https://sebastianraschka.com/
《理解大型语言模型》
https://magazine.sebastianraschka.com/p/understanding-large-language-models
他最近还发表了另一篇文章，介绍了2024年1月值得阅读的论文，其中还包括了Mistral模型相关论文。
https://magazine.sebastianraschka.com/p/research-papers-in-january-2024
关注他的博客：“前瞻人工智能”，获取更多优质论文推荐。
https://magazine.sebastianraschka.com/
5.6从头开始写Transformers
建议阅读Lilian Weng的博客文章“The Transformer Family Version 2.0 | Lil’Log”，了解大型语言模型架构的概况。
https://lilianweng.github.io/posts/2023-01-27-the-transformer-family-v2/
选择最适合你的格式，并尝试从头开始实现一个Transformer模型。
论文
Attention Is All You Need（https://arxiv.org/abs/1706.03762）The Illustrated Transformer（http://jalammar.github.io/illustrated-transformer/）The Annotated Transformer by Harvard（http://nlp.seas.harvard.edu/annotated-transformer/）Thinking like Transformer（https://srush.github.io/raspy/）
博客
《从头开始创建Transformer：一、注意力机制（第2部分）》（代码）
https://benjaminwarner.dev/2023/07/01/attention-mechanism
代码
https://github.com/warner-benjamin/commented-transformers
Sebastian Raschka博士的《从头开始理解和编写大型语言模型的自注意力机制》
Sebastian Raschka博士
https://www.linkedin.com/in/ACoAAAxqHaUBEa6zzXN--gv-wd8ih0vevPvr9eU
《从头开始理解和编写大型语言模型的自注意力机制》
https://sebastianraschka.com/blog/2023/self-attention-from-scratch.html
《从头开始构建Transformers》
https://peterbloem.nl/blog/transformers
视频
《使用PyTorch从头开始编写 Transformer代码（包含完整的解释、训练和推理）》
https://www.youtube.com/watch?v=ISNdQcPhsts&t=7449s
《NLP：从零开始实现BERT和 Transformers》
https://www.youtube.com/watch?v=EPa98fyxZ-s&list=PLdM8d_MWyPjV2vKl7Y2jnIIBRu522tiZc&index=9
你现在可以从头开始编写 Transformer了，但还有更多需要学习的地方。
观看斯坦福大学《cs25-Transformer United》课程的视频。
https://www.youtube.com/playlist?list=PLoROMvodv4rNiJRchCzutFw5ItR_Z27CM
5.7一些优质博客
《从零构建大型语言模型：疯狂的梯度下降之旅》https://bclarkson-code.github.io/posts/llm-from-scratch-scalar-autograd/post.html《图解Transformer》（作者：Jay Alammar）https://jalammar.github.io/illustrated-transformer/《理解注意力机制与Transformer模型》（作者：Eugene Yan）https://eugeneyan.com/writing/attention/?curius=1935《加速GPT-KV缓存|不败之路》https://www.dipkumar.dev/becoming-the-unbeatable/posts/gpt-kvcache/《超越自注意力：小型语言模型如何预测下一个词元》https://shyam.blog/posts/beyond-self-attention/《从头开始搭建Llama（或如何不掉一滴眼泪地复现论文）》（作者：Brian Kitano）https://blog.briankitano.com/llama-from-scratch/《改进LoRA：从头开始实现权重分解低秩适应（DoRA）》https://magazine.sebastianraschka.com/p/lora-and-dora-from-scratch5.8观看 Umar Jamil的视频
https://www.youtube.com/@umarjamilai/videos
他制作很棒的深度讲解论文的视频，并且展示了相应的代码。
《LoRA：低秩适应大型语言模型—可视化解释+从头开始的PyTorch代码》（https://www.youtube.com/watch?v=PXWYUTMt-AU）《Mistral/Mixtral解释：滑动窗口注意力、稀疏化专家混合、滚动缓冲》（https://www.youtube.com/watch?v=UiX8K-xBUpE）《你只需要注意力（Transformer）-模型解释（包括数学）、推理和训练》（https://www.youtube.com/watch?v=bCz4OMemCcA）《LLaMA解释：KV缓存、旋转位置嵌入、RMS范数、分组查询注意力、SwiGLU》（https://www.youtube.com/watch?v=Mn_9W1nCFLo）《检索增强生成（RAG）解释：嵌入、Sentence BERT、向量数据库（HNSW）》（https://www.youtube.com/watch?v=rhZgXNdhWDY）这些链接仅展示了部分与大型语言模型相关的资源。查看LLM教学大纲（https://github.com/mlabonne/llm-course），了解更全面的LLM知识。
5.9学习如何运行开源模型
可以参考《使用ollama：在本地运行Llama 2、Mistral和其他大型语言模型》
（
https://github.com/ollama/ollama）。他们提供了相关的Python和JavaScript库，帮助你轻松运行这些模型。
Python和JavaScript库
https://ollama.ai/blog/python-javascript-libraries
5.10提示工程
阅读Lilian Weng的博客：《提示工程》。
https://lilianweng.github.io/posts/2023-03-15-prompt-engineering
可以阅读由OpenAI的Ise Fulford和吴恩达（Andrew Ng）共同撰写的开发者指南：《ChatGPT开发者提示工程》。
https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/
DeepLearning.ai上还有其他免费的短期课程供你学习。
https://www.deeplearning.ai/short-courses/
5.11微调LLM
阅读《Hugging Face的微调指南》
https://huggingface.co/docs/transformers/en/training
一本不错的指南：《微调-GenAI指南》
https://ravinkumar.com/GenAiGuidebook/language_models/finetuning.html
了解axolotl。
https://github.com/OpenAccess-AI-Collective/axolotl?curius=2790
这是一篇很好的文章：《用直接偏好优化微调Mistral-7b模型》（作者：Maxime Labonne）
https://towardsdatascience.com/fine-tune-a-mistral-7b-model-with-direct-preference-optimization-708042745aac
5.12 RAG
Anyscale的精彩文章：《构建基于 RAG的LLM应用程序》
https://www.anyscale.com/blog/a-comprehensive-guide-for-building-rag-based-llm-applications-part-1?curius=1144
Aman Chadha写的关于检索增强生成的概述。
Aman Chadha
https://aman.ai/
检索增强生成
https://aman.ai/primers/ai/RAG/
6 如何追踪前沿动态
将时讯，播客和推特三者相结合
关于论文，可以关注AK（@_akhaliq）
关于播客，最好的是Swyx & Alessio的 Latent Space
敬请加入他们的Discord社区。
他们还有一份时讯Smol Talk，它总结了所有主要的AI Discord讨论。
我喜欢的其他时讯有：
The Batch | DeepLearning.AI | AI新闻与见解（https://www.deeplearning.ai/the-batch/）
深度学习周刊Interconnects | Nathan LambertAI Tidbits | Sahar Mor
更多信息请参见本文
https://towardsdatascience.com/20-must-subscribe-data-and-ai-newsletters-in-2021-7c5ddb9b3c19
7 其他有用的资源
我的列表并非详尽，如果你还想找到更多资料，这里有一些推荐：
openai/syllabus.mdAI Canon | Andreessen HorowitzAI Learning Curation — LLM UtilsThreshold to the AI Multiverse | Open DeepLearninglouisfb01/start-llms：在2023年开始和提高LLM技能的完整指南
我花了不少时间撰写和整理这些内容，是时候开始学习和搭建模型了。
希望本文将有助你的人工智能之旅！
版权声明
本站所有文章来源于本站原创或网络，如有侵权请联系删除。文章观点并不代表本站观点，请网友自行判断，如涉及投资、理财请谨慎应对！
发表评论:
◎欢迎参与讨论，请在这里发表您的看法、交流您的观点。