AI 书单：系统打底

碎片文章能解一时之急，系统能力要靠书打底，重质不重量，把一本读透胜过囤十本。按数学、模型、深度、工程顺序阅读，每章配代码实验，做笔记与错题本，把书读成自己的知识网而非收藏。 碎片文章能解一时之急，系统能力要靠书打底。下面按四类给出公认经典，重质不重量，把一本读透胜过囤十本。

数学基础

• 线性代数与概率统计的入门教材，建立向量与分布的直觉。 配代码实验：每章动手跑一遍，把公式落成可运行结果，理解更扎实。
• 不需要啃完定理证明，能用在模型里即可。

向量/矩阵  到  分布/期望  到  梯度与优化

机器学习经典

• 周志华《机器学习》：中文语境下的全面导论。
• 模式识别经典教材：补判别与生成视角。

from sklearn.linear_model import LogisticRegression   # 先动手理解概念，再回书里看推导
clf = LogisticRegression().fit(X, y)

深度学习

• 花书「Deep Learning」：覆盖表示、训练与结构。
• 配套动手框架教程，把公式落到代码。

实践与工程

• 涉及数据处理、评测与部署的实务书，补「论文到生产」的断层。
• 配合开源项目边读边改。

读法建议

按「数学到模型到深度再到工程」顺序，每章配代码实验。做笔记与错题本，把书读成自己的知识网。按「数学到模型到深度再到工程」顺序，做笔记与错题本，把书读成自己的知识网。

小结

AI 系统打底需数学、机器学习、深度学习与实践四类经典，按序阅读并配合代码实验，重读透而非囤量，把书内化为可迁移的能力。

参考与延伸阅读

• Hugging Face：配套模型与代码实践。已核验。https://huggingface.co
• GitHub：经典教材的开源代码与习题。已核验。https://github.com
• Kaggle：把书中方法落到数据集练习。已核验。https://www.kaggle.com