lit
lit 是一个专为自学人工智能从业者精心整理的技术书单库。它解决了初学者在面对海量学习资料时难以筛选优质资源、缺乏系统学习路径的痛点。通过收录自然语言处理、深度学习、统计学及数据科学等领域的经典著作，lit 将书籍按主题分类，并大致按照从入门通识到专业深化的顺序排列，帮助用户构建清晰的知识体系。
这份资源特别适合希望转行或自我提升的开发者、数据科学家以及 AI 研究者，尤其是那些没有正式计算机科班背景但渴望掌握核心技能的学习者。书单中既包含像《Speech and Language Processing》和《Deep Learning Book》这样侧重数学推导与理论深度的“圣经”级教材，也涵盖了《Hands on Machine Learning》等强调代码实战的指南，兼顾了学术严谨性与工程落地性。此外，项目还贴心地为完全零基础的用户提供了起步指南，指引他们如何根据自身情况选择第一本书。lit 不仅是一份资源列表，更是一位经验丰富的前辈为你绘制的成长地图，助你在 AI 领域稳步前行。
使用场景
一位自学转行的 NLP 工程师正试图从基础统计模型进阶到深度学习，以解决复杂的语音识别问题。
没有 lit 时
- 选书迷茫：面对海量技术书籍，无法分辨哪些是行业公认的“圣经”，哪些已过时，导致在低质量资料上浪费数周时间。
- 路径断层：缺乏系统性的学习路线，直接从代码实战跳入高深数学理论，因基础不牢而难以理解核心算法原理。
- 资源分散：需要在全网搜索各类 PDF 和链接，不仅效率低下，还面临获取渠道不安全或版本混乱的风险。
- 视野狭窄：仅关注热门框架教程，忽视了语言学、心理学等跨学科背景知识，限制了处理复杂语音场景的能力。
使用 lit 后
- 精准导航：直接依据 lit 整理的清单，按“入门通用”到“技术深潜”的顺序阅读，快速锁定《Speech and Language Processing》等必读经典。
- 平滑进阶：遵循推荐路径，先通过《NLTK Book》掌握代码实战，再逐步攻克《Deep Learning Book》中的数学难点，建立稳固的知识体系。
- 一站获取：直接在仓库中找到按主题分类的高质量书籍集合，省去了繁琐的检索过程，确保学习资料的权威性与完整性。
- 跨界融合：接触到涵盖语言学及实验室科学背景的精选书目，拓宽了思维维度，能够更灵活地设计针对特定语音问题的解决方案。
lit 将零散的行业智慧浓缩为一张清晰的自学地图，让自学者能以最低试错成本构建起专业级的 AI 知识大厦。
运行环境要求
未说明
未说明
快速开始
文学
字面意思就是文学。为自学成才的 AI 从业者准备的书籍。
这是一份精心挑选的技术书籍合集，它们在我作为数据科学家的职业生涯中非常有用。我主要是自学成才，不过我也接受过心理学、语言学和实验室科学的正规教育。我的职业生涯主要围绕自然语言处理（特别是语音）展开，并涉足机器学习、人工智能和工程领域的其他方向。
这些书按主题分类；每个标题下的书籍大致按照从入门/通用到技术/具体的顺序排列，其中一些“巨著”被列在最后。
我无法保证这些书籍都是合法获取的。
祝你阅读愉快 😉
等等，camoverride，我还是个新手呢，根本不知道从哪儿开始！请阅读这篇，了解更多关于如何开启你的学习之旅的信息。
人工智能
NLTK 书籍
这是一本快速而简洁的自然语言处理领域主要话题的概览性著作。本书以代码为主，主要使用原生 Python 和同名的 NLTK 库，实际上它更多地充当一个学习工具。你应该读这本书，一方面因为它简单易懂且实用，另一方面因为 NLP 领域的几乎每个人都曾在某个时候读过它。
语音与语言处理
这是自然语言处理的圣经——它涵盖了所有主要话题，并对每个话题都进行了深入探讨。文笔流畅，内容也非常前沿。这本书风格正式，注重数学推导，采用学术风格的伪代码，章节中完全没有 Python 代码。如果你能完全理解这本书的内容，那么你在 NLP 领域将如鱼得水。
深度学习书籍
深度学习领域的圣经——它广泛覆盖了深度学习的所有主要话题，并且对每个话题都有相当深入的探讨。风格正式、数学化且学术性强，有些部分晦涩难懂，而另一些部分则像一本好小说一样引人入胜。如果你想把你的深度学习知识提升到一个新的水平，就必须读这本书。另外，大家都读过它，你也应该读一读。
从零开始学习深度学习
这本书非常注重实践：几乎没有正式的数学推导，但有大量的代码示例。本书的目的并不是让读者全面掌握深度学习的知识，而是为工程师提供概念框架和工具（如 Keras、TensorFlow 等），以便快速解决实际问题。这本书的作者 剽窃了我的一个机器学习应用，所以我并不觉得把他这本书放在网上有什么负罪感。
统计学习要素
这是一本强大而充满数学推导的机器学习概述，其中包括深度学习的内容。大多数 AI 从业者都会在某个阶段接触到这本书。
人工智能：一种现代方法
人工智能领域的圣经：你在 AI 领域会遇到的所有背景思想、理论和争论都会在这里呈现出来。这本书可能会显得有些过时，因为其中介绍的一些技术已经不再流行，但了解该领域的发展历史，与成为理论家或黑客同样重要。
数据科学
动手学机器学习
这是一本扎实的数据科学实践入门书。代码与理论结合得很好。本书涵盖了初级数据科学家应掌握的所有基础知识：描述性统计、建模、数据可视化、深度学习等。重点介绍了 scikit-learn 和 tensorflow。这是我读的第一本“数据科学家”书籍，它足以让我在行业内找到一份工作。
SQL 烹饪书
又一本 O'Reilly 出版的大型教材。我用它来学习 SQL 的基础知识，至今仍时不时翻阅以解答疑问。不过，我发现 SQL Zoo 这个网站在快速上手 SQL 方面更加实用，所以我会建议先从那里开始，再过渡到这本书。
计算机科学
代码
如果你像我一样是自学成才的，那你很可能对编程和工程中的有用部分有一些零散的认识，却缺乏扎实的基础知识。然而，就像我一样，你可能一直心存疑惑：“这些东西到底是怎么工作的？”这本书将会消除你的疑虑。从电学和电路的基础讲起，本书循序渐进地介绍了计算机硬件的基本组件、逻辑门和汇编语言，直到最后让你真正理解代码是如何运作的。
破解编码面试
这本书是软件工程师们 dreaded 算法面试的标准参考书。它由一位 Google 的招聘经理撰写，不仅提供了实用的面试建议，还有算法技巧。如今或许有更好的书籍，但尽管它是用 Java 写成的，仍然值得一读。此外，大家都读过它，你也应该读一读。这本书比 Grokking Algorithms 更高级。
算法导论
这是计算机科学算法领域的圣经。内容极其全面，充斥着令人望而生畏的公式，厚得连背包都装不下——如果你能把这本书背下来，就一定能进入你心仪的 FAANG 公司担任 SWE 职位……不过，我个人只是偶尔查阅其中的部分内容，这也正是它的常见用法：每个人都听说过这部巨著，但真正从头到尾读完的人却寥寥无几。
计算机程序的构造和解释
这是一本庞大而全面的计算机科学领域概述性著作。所有“老前辈”都读过的经典。虽然有些过时（代码是用 Lisp 编写的），但仍然值得粗略地浏览一下。
编程
用艰难的方式学习 Python
这本书采用了“直接把孩子扔进泳池”的教学方法：你只需查看代码、理解其工作原理，便能学会。简单直接，非常适合完全的新手入门。这是我读过的第一本编程书（当时用的是 Python 2 版本），但最近我又重新翻阅了它，发现 Python 3 版本（也就是这本）依然非常出色。
有效 Python
这是一本非常扎实的 Python 中级教材。当你已经掌握了语言的基础知识，并完成了一些小项目，觉得自己准备好学习专业开发者的工作方式时，这本书便是不错的选择。除了展示你在入门教材中可能尚未接触的概念之外，它还特别强调哪些做法是__不应该__采用的。
JavaScript 权威指南
我主要是 Python 程序员，不过偶尔也会用到 JavaScript。这本书属于典型的 O’Reilly 出版社风格，对于熟悉这门语言很有帮助。当我用 JavaScript 编写代码时，仍然会不自觉地以 Python 的思维方式思考，然后再转换成 JavaScript；而像这样一本参考书，则能让我清楚地知道代码究竟应该如何编写。
掌握 Python 正则表达式
内容较为具体，但正则表达式非常实用，不应被忽视。只要静下心来阅读这样一本书，就能轻松掌握正则表达式的使用技巧。在我的职业生涯中，曾有很长一段时间每天都需要用到正则表达式。
操作系统
诗人的 Unix
从字面上讲，任何计划使用命令行的人都应该阅读这篇短文——即便是经验丰富的用户也能从中获益。书中以简短的俳句形式，帮助你发掘 Unix 终端的潜力，完成一些有趣的操作。虽然重点在于自然语言处理，但这些技巧在其他领域也同样适用。这份推荐来自我在苹果公司工作时，Siri 团队中一位天才般的古代计算机科学家。
Linux 是如何工作的
如果你刚刚开始探索命令行的世界（试图揭开图形用户界面背后的真相），并对所见景象感到畏惧，那么这本书将为你揭开其中的神秘面纱。书中详细介绍了 shell、文件系统以及在 Linux 系统中会遇到的其他内容；其中许多知识同样适用于 macOS 环境。
数学/统计学
用 Python 做数学
这是一本从编程视角出发，重新介绍数学的趣味书籍。书中并未涉及过于高深或令人惊讶的概念（全部都是高中数学的内容），但对于那些习惯于将数学和编程视为两个完全不同领域的读者来说，它却是一个很好的提醒，帮助你认识到这两者之间的联系。
数理统计导论
这是一本优秀的数理统计基础入门书。尽管这是一本数学书籍，但其中的例题和证明都极具说服力且贴近实际，阅读起来也十分流畅。另一本类似但稍逊一筹的书籍是《数理统计与数据分析》（链接），我也将其收录在此。
机器学习中的数学
如果你已经开始从事人工智能相关工作，却又隐隐担心自己的数学基础不够扎实，那么这本书将帮你填补所有知识漏洞。正如书名所示，它全面涵盖了理解机器学习所需的所有数学知识，让你从此充满信心。
信息论要素
在企业界，信息论并不常被提及，但它与你通常接触到的“标准数学工具集”有着诸多相似之处。对于希望拥有真正全面的人工智能背景的人来说，信息论值得深入研究。
数字信号处理的理解
与信息论类似，数字信号处理也是人工智能从业者经常借鉴其工具和思想（例如傅里叶分析）的一个领域，但很少有人会深入钻研。如果你想深入了解这一主题，那么这本书便是最佳选择！
普林斯顿数学伴侣
数学的世界远不止线性代数、信息论和数字信号处理。这本厚达数百页的书籍内容极为全面——读完之后，你便能够与数学家进行一场真正的对话，而不会因为听不懂对方的话而茫然失措。
网络
Flask Web 开发
如果你正在使用 Python，并希望开始进行 Web 开发，那么 Flask 就是一个不错的起点。Flask 在 Python 社区中非常普及，如果你想做出一些有趣的项目，就应该熟练掌握它。这本书注重实践，几乎不涉及理论部分。如果你从未听说过 HTML，那么这本书可能会有些难度；但如果你已经搭建过一个静态网站（参见 GitHub Pages 使用 Jekyll 搭建站点），并希望更进一步，那么就从这里开始吧。
Internet 路由架构
这是一本极其深入的书籍，详细阐述了互联网的工作原理。与 Flask 书籍不同，这本书偏重理论，对你的 AI 工作可能并没有直接的帮助。然而，如果你渴望增强自信心——确切地理解互联网究竟是如何运作的——那么这本书无疑是一个绝佳的资源。
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
cs-video-courses
cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。 面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。 这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
PaddleOCR
PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。 面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。 PaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。