简而言之：通过沉浸于实践和出于需要的学习来深入人工智能。采用自上而下的编码方法，与社区互动，并利用Twitter等资源进行网络交流。理解人工智能所需的数学基础，并在公共场合持续学习，以最大化你的成长和机会。
开始你的人工智能学习之旅
所以，你渴望深入人工智能的世界，但不确定从哪里开始？打破“教程地狱”并真正掌握人工智能的秘密在于沉浸——从零开始编写算法，实现研究论文，并解决真实世界问题的有趣副项目。
本文概述了一个免费的课程旨在与这一理念相一致。如果你想一起学习，欢迎在Twitter上与我联系。
自上而下的学习方法
我们的课程遵循自上而下的方法，强调先编码，理论作为支持支柱。这与出于需要学习的理念相呼应。当面临需要解决的问题或创建原型时，收集必要的信息，理解它，并付诸行动。
例如，想成为一名人工智能工程师，你必须深入理解语言模型学习（LLM）——这涉及从零开始编码变换器，并在GPU上微调LLM等技能。
在公共场合学习
学习是一个持续的过程，尤其是在人工智能领域，每周都有新的革命性想法和论文出现。最大的陷阱是孤立学习。分享你的知识将信息转化为有价值的见解，并激发创新的想法和解决方案。
以下是培养创造习惯的方法：
- 撰写博客和教程
- 参加黑客马拉松并与他人合作
- 在Discord等平台上参与社区讨论和问答
- 进行由激情驱动的副项目
利用Twitter的力量
如果使用得当，Twitter可以成为当今最有价值的社交平台之一，尤其是在人工智能领域建立专业网络。
掌握人工智能的数学基础
机器学习严重依赖于三大数学支柱：
- 线性代数：数据表示和处理的工具包。它为算法提供了解释和处理信息的语言。
- 微积分：推动优化，使算法通过理解梯度和变化率来学习和改进。
- 概率与统计：在不确定性下决策的基础，使算法能够预测结果并从数据中学习。
探索这些资源：
- 《机器学习数学》由Weights & Biases（YouTube播放列表，代码）
- 《计算线性代数》由fast.ai（视频，代码）
- 《应用机器学习与Python的线性代数入门》 (点击这里)
- 3Blue1Brown的线性代数的本质 和 微积分的本质 (YouTube, YouTube)
- 统计学基础 由 StatQuest 提供 (YouTube)
补充资源
- 书籍： 机器学习数学
- 论文： 深度学习所需的矩阵微积分
利用这些资源，提升你的技能，沉浸在人工智能的世界中，将每一个挑战转化为学习和成长的机会。
