在2024年學習人工智慧（1/5）：逃離教學地獄的全面指南

簡而言之：透過沉浸於實作練習和出於需求的學習來深入人工智慧。採用自上而下的編碼方法，參與社群，並利用像Twitter這樣的資源進行人脈拓展。理解對於人工智慧至關重要的數學基礎，並持續在公開場合學習，以最大化你的成長和機會。

開始你的人工智慧學習之旅

所以，你渴望深入人工智慧的世界，但不確定從何開始？擺脫「教學地獄」並真正精通人工智慧的秘訣在於沉浸——從零開始編寫演算法、實現研究論文，並解決現實問題的有趣側項目。

本文概述了一個免費課程旨在與這一理念相符。如果你想一起學習，隨時可以在Twitter上聯繫我！

自上而下的學習方法

我們的課程遵循自上而下的方法，強調先編碼，理論作為支持的支柱。這反映了出於需求的學習的理念。當面對需要解決的問題或創建的原型時，收集必要的信息，理解它，並付諸行動。

例如，若想成為人工智慧工程師，你必須深入理解語言模型學習（LLM）——這涉及從零開始編碼變壓器，並在GPU上微調LLM等技能。

公開學習

學習是一個持續的過程，尤其在人工智慧領域，每週都有新的革命性想法和論文出現。最大的陷阱是孤立學習。分享你的知識將信息轉化為有價值的見解，並激發創新想法和解決方案。

以下是培養創造習慣的方法：

• 撰寫部落格和教程
• 參加黑客馬拉松並與他人合作
• 參與社群討論和平台如Discord的問答
• 從事由熱情驅動的側項目

利用Twitter的力量

當正確使用時，Twitter可以成為當今最有價值的社交平台之一，特別是在人工智慧領域建立專業人脈方面。

掌握人工智慧的數學基礎

機器學習重度依賴三個數學支柱：

• 線性代數：數據表示和操作的工具包。它提供了演算法解釋和處理信息的語言。
• 微積分：推動優化，讓演算法透過理解梯度和變化率來學習和改進。
• 概率與統計：在不確定性下做出決策的基礎，使演算法能夠預測結果並從數據中學習。

探索這些資源：

• 《機器學習的數學》由Weights & Biases提供（YouTube播放清單，程式碼）
• 《計算線性代數》由fast.ai提供（影片，程式碼）
• 《應用機器學習的Python線性代數入門》 (點擊這裡)
• 3Blue1Brown 的 線性代數的本質 和 微積分的本質 (YouTube, YouTube)
• 統計基礎 由 StatQuest (YouTube)

補充資源

• 書籍： 機器學習數學
• 論文： 深度學習所需的矩陣微積分

擁抱這些資源，提升你的技能，並沉浸在人工智慧的世界中，將每個挑戰轉化為學習和成長的機會。