fundamentals

精选 20 本图书，涵盖 5 个类别，帮助你从基础到生产系统学习 AI/ML。

一位Atlassian首席工程师分享了已完结的25天Twitter系列帖，内容涵盖系统设计扩容基础，现整理成单一资源。

一条推文推荐了一系列关于LLM基础的解析文章，尤其是《Vectors are all you need》，并将其添加到顶级学习资源列表中。

@Franc0Fernand0 的一条推文建议工程师在跳进LeetCode刷题之前，先掌握12个基础数据结构和算法主题，建议每周学习一个主题。

拉胡尔（MLWhiz）撰写的综合博客系列从零开始构建对LLMs的理解，涵盖transformer、预训练和后训练五个部分。

一篇从基本原理出发解释计算和软件基础的文章，旨在为普通读者揭开计算机工作原理的神秘面纱。

一条推文分享了一篇关于GPU架构基础的文章链接。

一个适合初学者的GitHub仓库，涵盖PyTorch基础，包括张量初始化、运算、索引和重塑，拥有超过900颗星。

一条推文分享了一份由Hao Hoang整理的涵盖基础、微调、生成、高级概念和数学的50道LLM面试题清单。

Aaron Levie 认为，尽管AI能力强大，但学生和专业人士不应放弃学习领域基础知识，因为深刻理解自身技艺的专家在使用AI工具时比新手高效得多。

一篇系统编程入门文章，涵盖诸如位操作、解析、文件系统、系统调用和内存管理等基础知识，面向程序员。

探讨了 AI 如何放大代码质量的影响，强调软件基础比以往任何时候都更重要，并推荐了构建可靠 AI agent 的五种设计模式。