从数学到深度学习的学习资料及教程合集

诸神缄默不语-个人CSDN博文目录

目前主要收集免费内容，最多需要买本纸质书。
付费的如果有免费版本我也会收录。←2023.8.19：CSDN禁止分享了，有需私戳吧
链接如失效请联系我。

这个笔记主要是为我自己准备的，算是一个可公开的to do list（其实做不完的我也知道），所以不列举任何我写过完整笔记的资料。

1. 数学

1. 《计算机科学中的数学》
2. Tom Leighton’s MIT 6.042J
3. 北大民间数学学院学习指南：Math for Happiness

1. 微积分/高等数学

1. 普林斯顿微积分读本
   辅助学习资料：《图解普林斯顿微积分读本》系列合集
2. 同济大学数学系. 高等数学（第7版）[M]. 北京: 高等教育出版社, 2014.
3. 李忠，周建莹. 高等数学（第2版）[M]. 北京: 北京大学出版社, 2009.
4. Joel Hass et al.Thomas’ Calculus: Early Transcendentals (Fourteenth Edition)[M]. Pearson, 2018.
5. Ron Larson, and Bruce Edwards. Calculus (Eleventh Edition) [M]. Cengage Learning, 2018.

2. 数学分析

1. 华东师范大学数学科学学院. 数学分析（第5版）[M]. 北京: 高等教育出版社, 2019.
2. 常庚哲, 史济怀. 数学分析教程（第3版）[M]. 合肥: 中国科学技术大学出版社, 2012.
3. Walter Rudin. Principles of Mathematical Analysis (Third Edition) [M]. McGraw-Hill Education, 1976.
4. Vladimir A. Zoric. Mathematical Analysis (Second Edition) [M]. Springer, 2016.
5. Elias M. Stein, and Rami Shakarchi. Real Analysis: Measure Theory, Integration, and Hilbert Spaces [M]. Princeton University Press,2004.
6. Elias M. Stein, and Rami Shakarchi. Complex Analysis [M]. Princeton University Press,2005.
7. Elias M. Stein, and Rami Shakarchi. Fourier Analysis: An Introduction [M]. Princeton University Press,2003.
8. Elias M. Stein, and Rami Shakarchi. Functional Analysis: Introduction to Further Topics in Analysis[M]. Princeton University Press, 2011.

3. 线性代数

1. Linear Algebra Done Right
2. 丘维声. 简明线性代数[M]. 北京: 北京大学出版社, 2002.
3. 居于马. 线性代数（第2版）[M]. 北京: 清华大学出版社, 2002.
4. 李尚志. 线性代数[M]. 北京: 高等教育出版社, 2002.：难度较大，适合提高
5. 李炯生. 线性代数（第2版）[M]. 合肥: 中国科学技术大学出版社, 2010.：亚洲第一难
6. 龚昇. 线性代数（第2版）[M]. 合肥: 中国科学技术大学出版社, 2005.：适合提高
7. 任广千, 谢聪, 胡翠芳. 线性代数的几何意义[M]. 西安: 西安电子科技大学出版社, 2015.
8. Kuldeep Singh. Linear Algebra: Step by Step [M]. Oxford University Press,2014.
9. Gilbert Strang. Introduction to Linear Algebra (Fifth Edition) [M]. Wellesley-Cambridge Press, 2016.
10. David C. Lay et al. Linear Algebra and Its Application (Fifth Edition) [M]. Pearson, 2016.
11. Sheldon Axler. Linear Algebra Done Right (Third Edition) [M]. Springer, 2015.
12. Gerald Farin, and Dianne Hansford. Practical Linear Algebra: A Geometry Toobox (Third Edition) [M]. CRC Press, 2013.
13. Gilbert Strang. Linear Algebra and Learning from Data [M]. Wellesley-Cambridge Press, 2019.：介绍线性代数及其在数据挖掘方面应用

4. 矩阵论

1. 徐仲. 矩阵论简明教程（第3版）[M]. 北京: 科学出版社, 2014.
2. 张贤达. 矩阵分析与应用（第2版）[M]. 北京: 清华大学出版社, 2013.
3. Gene H. Golub, and Charles F. Van Loan. Matrix Computation (Fourth Edition) [M]. The Johns Hopkins University Press, 2013.
4. Roger A. Horn, and Charles R. Johnson. Matrix Analysis (Second Edition) [M]. Cambridge University Press, 2013.

5. 统计学、概率论与测度论

1. 《赤裸裸的统计学》
2. 《统计数字会撒谎》
3. 《深入浅出统计学》
4. 盛骤, 谢式千, 潘承毅. 概率论与数理统计（第4版）[M]. 北京: 高等教育出版社, 2008.
5. 陈希孺. 概率论与数理统计[M]. 合肥: 中国科学技术大学出版社, 2017.
6. Jay L. Devore. Probability and Statistics for Engineering and the Sciences (Ninth Edition) [M]. Cengage Learning, 2016.
7. Morris H. DeGroot, and Mark J. Schervish . Probability and Statistics (Forth Edition) [M]. Pearson, 2012.
8. 高惠璇. 应用多元统计分析[M]. 北京大学出版社, 2004.
9. 王静龙. 多元统计分析[M]. 科学出版社, 2008.
10. T. W. Anderson. An Introduction to Multivariate Statistical Analysis (Third Edition) [M]. John Wiley & Sons, 2003.
11. Richard A. Johnson, and Dean W. Wichern . Applied Multivariate Statistical Analysis (Sixth Edition) [M]. Pearson, 2007.
12. 程士宏. 测度论与概率论基础[M]. 北京: 北京大学出版社, 2004.
13. 严加安. 测度论讲义（第2版）[M]. 北京: 科学出版社, 2004.
14. Krishna B. Athreya, and Soumendra N. Lahiri. Measure Theory and Probability Theory (Third Edition) [M]. Springer, 2006.
15. Paul R. Halmos. Measure Theory [M]. Springer Science+ Business Media, 1974.
16. 胡迪鹤. 高等概率论及其应用[M]. 北京: 高等教育出版社, 2008.
17. 郑忠国. 高等统计学[M]. 北京: 北京大学出版社, 2012.
18. Craig A. Mertler, and Rachel Vannatta Reinhart. Advanced and Multivariate Statistical Methods: Practical Application and Interpretation (Sixth Edition) [M]. Routledge, 2017.
19. Eugene Demidenko. Advanced Statistics with Applications in R [M]. John Wiley & Sons, 2020.
20. 哪些统计学的书让你相见恨晚？ - 知乎
21. 谢启南,韩兆洲．统计学原理(第六版)．广东．暨南大学出版社．2006.09
22. 贾俊平，何晓群，金勇进．统计学．北京：中国人民大学出版社，2015

6. 随机过程与概率模型

1. 何书元. 随机过程[M]. 北京: 北京大学出版社, 2008.
2. 张波, 张景肖. 应用随机过程[M]. 北京: 清华大学出版社, 2004.
3. Sheldon M. Ross. Introduction to Probability Models (Twelfth Edition) [M]. Academic Press, 2019.
4. Robert G. Gallager. Stochastic Processes: Theory for Applications [M]. John Wiley & Sons, 2013.
5. David Forsyth. Probability and Statistics for Computer Science (Twelfth Edition) [M]. Springer, 2018.
6. Luc Devroye et al. A Probabilistic Theory of Pattern Recognition [M]. Springer, 1997.

7. 运筹学

1. 《运筹学》教材编写组. 运筹学（第4版）[M]. 北京: 清华大学出版社, 2013.
2. 胡运权, 郭耀煌. 运筹学教程（第5版）[M]. 北京: 清华大学出版社, 2018.
3. Frederick S. Hillier, and Gerald J. Lieberman. Introduction to Operation Research (Tenth Edition) [M]. McGraw-Hill Education, 2015.
4. Hamdy A. Taha. Operation Research：An Introduction (Tenth Edition) [M]. Pearson, 2017.

8. 优化理论

1. 陈宝林. 最优化理论与算法（第2版）[M]. 北京: 清华大学出版社, 2018.
2. 高立. 数值最优化方法[M]. 北京: 北京大学出版社, 2014.
3. Edwin K. P. Chong, and Stanislaw H. Zak. An Introduction to Optimization (Fourth Edition) [M]. John Wiley & Sons, 2013.
4. Jorge Nocedal, and Stephen J. Wright. Numerical Optimization (Second Edition) [M]. Springer, 2006.
5. Stephen Boyd, and Lieven Vandenberghe. Convex Optimization [M]. Cambridge University Press, 2004.
6. Yuni Nesterov. Lectures on Convex Optimization (Second Edition) [M]. Springer, 2018.

2. 机器学习与深度学习基础

1. 周志华《机器学习》
   datawhalechina/pumpkin-book: 《机器学习》（西瓜书）公式详解
2. CS229：机器学习
   斯坦福官网：CS229: Machine Learning
3. 百面机器学习
4. 百面深度学习
5. 《美团机器学习实践》
6. ‬⁣⁢​‍‬⁤​​⁤‌⁤​‬⁡⁢​⁢⁢⁡‍⁡​⁣‍‍⁤⁢⁡‌​​⁤⁤⁤​⁣⁡⁢​‌⁣Datawhale人工智能培养方案V2.0 - 飞书云文档
7. Anton Teaches Packy AI：讲师是前Meta研究员
8. 花书
   Deep Learning
9. 《动手学深度学习》 — 动手学深度学习 2.0.0 documentation
10. 李沐的深度学习课 - 知学堂
11. GitHub - boyu-ai/Hands-on-ML: https://hml.boyuai.com
12. 深度学习工程师微专业 - 一线人工智能大师吴恩达亲研-网易云课堂 - 网易云课堂
    fengdu78/deeplearning_ai_books: deeplearning.ai（吴恩达老师的深度学习课程笔记及资源）
    fengdu78/Coursera-ML-AndrewNg-Notes: 吴恩达老师的机器学习课程个人笔记
    原版（英文）：DeepLearning.AI: Start or Advance Your Career in AI
13. 2018年的CS230：http://cs230.stanford.edu/syllabus/（助教提供的cheatsheet：Teaching - CS 230）
14. CS229: Machine Learning
    如何正确学习CS 229？ - 知乎
15. Machine Learning Specialization [3 courses] (Stanford) | Coursera
16. 机器学习训练秘籍
    deeplearning-ai/machine-learning-yearning-cn: Machine Learning Yearning 中文版 - 《机器学习训练秘籍》 - Andrew Ng 著
17. 统计学习方法
    datawhalechina/statistical-learning-method-solutions-manual: 统计学习方法习题解答，在线阅读地址：https://datawhalechina.github.io/statistical-learning-method-solutions-manual
18. 【机器学习】【白板推导系列】【合集 1～33】_哔哩哔哩_bilibili
19. yechens/XiaoZhao-ChongChongChong: 机器学习算法，大厂面经，coding，算法比赛资源整合大礼包～助你校招乘风破浪！内容持续更新中，欢迎star🌟
20. ‌⁤‍⁣‌⁤⁢⁡‬⁤⁢⁤⁢⁣⁣⁣‍‬‍⁢‬‌⁣​‍⁢⁣⁣‌⁡⁢​⁢‬⁤⁡​⁢⁣⁣⁤⁤⁤‍​⁡Datawhale学习生态伙伴 - 飞书云文档
21. ‌​‌⁢⁤⁡⁤‌‌⁤‬‌‬⁣‍‬‍‌‌⁡‌⁢⁤⁣⁤‌​⁡​​​‍‍​⁡⁤​​‬⁢⁡⁤​⁡Datawhale人工智能培养方案V2.0 - 飞书云文档
22. The Full Stack
23. 莫烦Python机器学习系列
24. 石头书
25. 数据挖掘：概念与技术
26. 《数学之美》
27. 《Machine Learning Yearning》
28. Neural networks and deep learning
29. Machine Learning Mastery
30. Python深度学习
31. 深度学习入门——基于Python的理论与实现
32. 床长的人工智能
33. 纽约大学 LeCun的深度学习课
    Yann LeCun’s Deep Learning Course at CDS - NYU Center for Data Science
    DEEP LEARNING · Deep Learning
    NYU Deep Learning SP21 - YouTube
    Atcold/NYU-DLSP21: NYU Deep Learning Spring 2021
34. 图宾根大学 Statistical Machine Learning (Summer term 2022)
35. AMAI-GmbH/AI-Expert-Roadmap: Roadmap to becoming an Artificial Intelligence Expert in 2022
36. 陈天奇的机器学习编译课程：MLC | 主页
37. CPSC 340 and 532M - Machine Learning and Data Mining (Fall 2019)
38. theepiccode/Awesome-Deep-Learning-Resources: An awesome collection of curated deep learning resources(Books, Tutorials, Blogs, Podcasts , …)
39. Machine Learning textbook
40. Understanding Deep Learning
41. rufinv/Intro2AI-advanced-class: A version of the class designed for an audience with prior Math/CS background
42. Free Course: Machine Learning from Columbia University | Class Central
43. CPSC 540: Machine learning
    CPSC 540 - Machine Learning (Winter 2017)
44. MIT Deep Learning 6.S191
    MIT 6.S191: Introduction to Deep Learning - YouTube
45. MingchaoZhu/InterpretableMLBook: 《可解释的机器学习–黑盒模型可解释性理解指南》，该书为《Interpretable Machine Learning》中文版
    Interpretable Machine Learning christophM/interpretable-ml-book: Book about interpretable machine learning
46. 神经网络与深度学习
47. 合集·深度学习中的数学by齐宪标
48. Yuni Nesterov. The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Second Edition) [M]. Springer, 2009.
49. Tom M. Mitchell. Machine Learning [M]. McGraw-Hill Education, 1997.
50. Christopher Bishop. Pattern Recognition and Machine Learning [M]. Springer, 2006.
51. Mehryar Mohri et al. Foundation of Machine Learning (Second Edition) [M]. The MIT Press, 2018.
52. Kevin P. Murphy. Probabilistic Machine Learning: An Introduction [M]. The MIT Press, 2022.
53. Shai Shalev-Shwartz, and Shai Ben-David. Understanding Machine Learning: From Theory to Algorithms [M]. Cambridge University Press, 2014.
54. virgili0/Virgilio: Your new Mentor for Data Science E-Learning.
55. 《Python机器学习实践指南》
56. Stanford MLSys Seminar – Stanford MLSys Seminar Series
57. [2024年新版] [中英字幕] 麻省理工学院深度学习导论 | 6.S191_哔哩哔哩_bilibili
58. Neural networks and deep learning
59. 《数据挖掘原理与算法》
60. 《集体智慧编程》
61. LLMs：业务角度路线—基于开源大模型实现对中文语料实战应用(企业级ChatGPT领域大模型-私有化实战八大步骤、提高LLMs模型中文性能的三大策略(直接原始LLMs进行指令微调/基于原始模型扩充词表-CSDN博客
62. Python 机器学习/深度学习/算法专栏/LLM - 导读目录_机器学习python实战目录-CSDN博客
63. PyTorch
    1. Learn PyTorch for deep learning in a day. Literally. - YouTube
    2. Pytorch 教程系列 | 莫烦Python
    3. yunjey/pytorch-tutorial: PyTorch Tutorial for Deep Learning Researchers
    4. datawhalechina/thorough-pytorch: PyTorch入门教程，在线阅读地址：https://datawhalechina.github.io/thorough-pytorch/
    5. bharathgs/Awesome-pytorch-list: A comprehensive list of pytorch related content on github,such as different models,implementations,helper libraries,tutorials etc.
       xavier-zy/Awesome-pytorch-list-CNVersion: Awesome-pytorch-list 翻译工作进行中…
64. CS 330 Deep Multi-Task and Meta Learning
65. Christoph Molnar. Interpretable Machine Learning: A Guide for Making Black Box Models Expainable [M]. lulu.com, 2020.
66. Judea Pearl. Causality: Models, Reasoning, and Inference (Second Edition) [M]. Cambridge University Press, 2009.
67. 多模态
    1. CMU 2022多模态机器学习：11-777 MMML

1. LLM专场

1. 【清华NLP】刘知远团队大模型公开课全网首发｜带你从入门到实战_哔哩哔哩_bilibili
   官网：OpenBMB - 让大模型飞入千家万户
2. 【GLM课程】ChatGLM 大模型应用构建 & Prompt 工程_哔哩哔哩_bilibili
3. （这个是科大讯飞家的）‍⁡‍‍‍​‬⁤​‍‬​​​⁢⁡⁣‌⁢⁣‍​⁡​⁣‬‍⁡‬⁤‬⁣‬‍​‍⁢​​⁡‍​​‌⁡AI Prompt 工程师认证&学习指南 - 飞书云文档
4. 大模型产业场景实战
5. AGI创业营——解码AGI 对话大模型
6. ERNIE Bot SDK基础教程
7. ERNIE Bot SDK进阶教程
8. ⁣⁡‬⁣⁡⁡⁤‍⁤​⁢⁢‍‍​⁤⁣⁢⁣‍‬⁢‌‍‬​‬‌⁣⁡‬‬⁡⁢⁤⁢​⁣⁢⁢‬​​‬​⁤《动手学Agent应用开发》学习手册 - 飞书云文档
9. ‍​​⁡⁣‍‬​‬‍​⁣⁡​⁤‌⁣‌​‍​‬​‬‍⁤​⁤‌⁡‬​⁢⁤‬⁢‌‬⁣‌⁢‬‬​⁣‍⁡AI Prompt 工程师认证&学习指南 - 飞书云文档
10. microsoft/generative-ai-for-beginners: 12 Lessons, Get Started Building with Generative AI 🔗 https://microsoft.github.io/generative-ai-for-beginners/
11. ‍​⁢​‍⁣​‍‬‌⁡​​⁢‌⁡‌​⁢⁡⁢⁤​‍⁣⁢⁢‌⁢‌‌⁣⁢‍​​​‍⁤‍⁡‍‌​​# AI 严选 - 飞书云文档
12. Home | CS324
13. https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/
    【专业翻译，配套代码笔记】01.课程介绍_哔哩哔哩_bilibili
    GitHubDaily/ChatGPT-Prompt-Engineering-for-Developers-in-Chinese: 《面向开发者的 ChatGPT 提示词工程》非官方版中英双语字幕 Unofficial subtitles of “ChatGPT Prompt Engineering for Developers”
    面向开发者的GPT提示工程，国内大模型同样适用_哔哩哔哩_bilibili
14. https://learn.deeplearning.ai/courses/langchain/lesson/1/introduction
15. https://www.deeplearning.ai/short-courses/building-systems-with-chatgpt/
16. https://github.com/datawhalechina/llm-cookbook/
17. https://learn.deeplearning.ai/
18. https://learn.deeplearning.ai/courses/chatgpt-building-system/lesson/1/introduction
19. https://learn.deeplearning.ai/courses/langchain-chat-with-your-data/lesson/1/introduction
20. https://learn.deeplearning.ai/courses/huggingface-gradio/lesson/1/introduction
21. https://learn.deeplearning.ai/courses/evaluating-debugging-generative-ai/lesson/1/introduction
22. https://learn.deeplearning.ai/courses/finetuning-large-language-models/lesson/1/introduction
23. https://learn.deeplearning.ai/courses/large-language-models-semantic-search/lesson/1/introduction
24. https://learn.deeplearning.ai/courses/advanced-retrieval-for-ai/lesson/1/introduction
25. https://learn.deeplearning.ai/courses/building-evaluating-advanced-rag/lesson/1/introduction
26. https://learn.deeplearning.ai/courses/functions-tools-agents-langchain/lesson/1/introduction
27. it-ebooks-0/aigc-books: 📚 暂存AIGC相关书籍

2. 自监督学习 & 半监督学习

1. CSCI 601.771: Self-supervised Models（约翰霍普金斯大学的课程，就是那个因统计疫情数据而在我国出名的大学）
2. Amparo Albalate, and Wolfgang Minker. Semi-Supervised and Unsupervised Machine Learning [M]. ISTE, and John Wiley & Sons, 2011.

3. 迁移学习

1. 杨强, 张宇, 戴文渊, 潘嘉林 . 迁移学习[M]. 北京: 机械工业出版社, 2020.

4. 联邦学习

1. 杨强, 刘洋，程勇等. 联邦学习[M]. 北京: 中国工信出版集团, 电子工业出版社, 2020.

5. 集成学习

1. 周志华. 集成学习：基础与算法（第2版）[M]. 李楠, 译. 北京: 清华大学出版社, 2019.

6. 强化学习

1. Richard S. Sutton, and Andrew G. Barto. Reinforcement Learning: An Introduction [M]. The MIT Press, 2018.

3. NLP自然语言处理

1. CS224N
   斯坦福官网：Stanford CS 224N | Natural Language Processing with Deep Learning
   PPT（包含历年PPT）：Index of /class/cs224n/slides
   2021冬版视频YouTube官方播放列表：Stanford CS224N: Natural Language Processing with Deep Learning | Winter 2021 - YouTube
   B站上给出的带中文字幕的版本：【中英字幕】CS224N Winter2021 | Lecture 1 - Intro & Word Vectors_哔哩哔哩_bilibili
2. CS224U
   Stanford XCS224U: Natural Language Understanding I Spring 2023 - YouTube
   cgpotts/cs224u: Code for Stanford CS224u
3. NLP中的迁移学习
   (2019 NAACL) Transfer Learning in Natural Language Processing
   huggingface/naacl_transfer_learning_tutorial: Repository of code for the tutorial on Transfer Learning in NLP held at NAACL 2019 in Minneapolis, MN, USA
   其他参考资料：自然语言处理中的迁移学习(1) —— NAACL 2019 - 知乎 NLP领域中的迁移学习现状 - 知乎 The State of Transfer Learning in NLP（前面这篇文章的原文） Sebastian Ruder: Transfer Learning in Open-Source Natural Language Processing (spaCy IRL 2019) - YouTube
4. 《Linguistic Categorization》
5. FudanNLP/nlp-beginner: NLP上手教程（邱锡鹏组）

1. 知识图谱

1. 《知识图谱：概念与技术》
2. 《知识图谱》
3. CS520: Knowledge Graphs Seminar (Spring 2021) - YouTube

4. GNN图神经网络

1. 《链路预测》

5. 计算机基础知识

1. 《计算机程序的构造和解释》
   英文版：Welcome to the SICP Web Site
2. Brian Harvey’s Berkeley CS 61A
3. Crafting Interpreters
4. Alex Aiken’s course on Lagunita
5. 《程序是怎样跑起来的》
6. Computer Science from the Bottom Up
7. Crafting Interpreters：教你如何手写一个代码解释器
8. Structure and Interpretation of Computer Programs
   CS 61A Fall 2023
9. Software Foundations
   JavaScript版：https://jscoq.github.io/ext/sf/
10. Computer Systems: A Programmer’s Perspective：也就是传说中的CSAPP
    南京大学 计算机科学与技术系 计算机系统基础 课程实验 2022
11. computer systems: a programmer’s perspective
12. 计算机程序的构造和解释
13. MIT的6.S081课程
14. 《CPU设计实战》
15. 《Linear and Nonlinear Programming》
    学习linear and nonlinear programming这本书有什么好的建议吗? - 知乎
16. A 2024 Computer Science Curriculum

1. 操作系统

1. 现代操作系统
2. 王道版操作系统
3. 汤小丹版操作系统
4. 斯托林斯版操作系统
5. 《操作系统导论》
6. Berkeley CS 162
7. xv6: a simple, Unix-like teaching operating system
   mit-pdos/xv6-riscv: Xv6 for RISC-V
8. Writing an OS in Rust
9. rCore-Tutorial-Book-v3 3.6.0-alpha.1 文档

2. Linux系统

1. 《Linux命令行与shell脚本编程大全》
2. huaxz1986/APUE_notes: 《UNIX环境高级编程》中文第三版笔记

3. 计算机系统组成原理与分布式系统

1. 《深入理解计算机系统》
2. MIT6.824分布式课程
3. Berkeley CS 61C
4. 《数据密集型应用系统设计》

4. 计算机网络

1. 《计算机网络：自顶向下方法》
2. Stanford CS 144

5. 汇编语言

1. 《汇编语言》 - 王爽

6. Office办公三件套

1. Excel

1. 《跟秋叶一起学秒懂Excel》

6. 科研学术与论文写作

1. 《学术“咸鱼”的自救指南》
2. 《读研指南：搞砸研究生生涯的57个教训》
3. 《带一本书去读研：研究生关键学术技能快速入门》
4. 《研究是一门艺术》
5. 《学术写作原来是这样：语言、逻辑和结构的全面提升》
6. 《做研究是有趣的：给学术新人的科研入门笔记》
7. 《Writing in the Sciences》
8. 《How to Write an Essay》
9. 《Academic and Business Writing》
10. pengsida/learning_research: 本人的科研经验：这个作者他自己是做3D Vision的
    https://pengsida.net/files/how_to_do_research_v2.pdf
11. 《The Craft of Research》
12. 《Academic Phrasebank》
13. 《研究的方法》
14. https://github.com/shengyp/doing_the_PhD
15. 考研、读研到毕业论文：研究生的学术三步曲
16. 研究生是如何炼成的：学术研究与论文写作导引
17. 高质量读研：教你如何写论文、做科研
18. 科技论文规范写作与编辑
19. 科技论文的规范表达——写作与编辑
20. 学术研究方法论
21. 研究方法论：本科、硕士、博士生研究指南
22. 读研指南：搞砸研究生生涯的57个教训
23. secdr/research-method: 论文写作与资料分享
24. Science Research Writing: For Non-Native Speakers of English
25. 芝加哥大学论文写作指南
26. 文献信息检索与论文写作
27. 学术论文写作
28. 《论文写作基本公式》
29. 《学术期刊论文写作必修课》
30. 如何成为学术论文写作高手：针对华人作者的18周技能强化训练
31. 科研论文写作方法与技巧
32. 学术论文写作ABC
33. 会读才会写：导向论文写作的文献阅读技巧
34. 文献检索与论文写作（邓富民、梁学栋版和李振华版）
35. 论文写作
36. 科学研究方法与学术论文写作
37. 科学研究方法与学术论文写作——理论技巧案例
38. 科研方法与论文写作
39. 文献检索与科技论文写作入门
40. 研究是一门艺术
41. 如何做好文献综述
42. 不发表就出局
43. 科技论文成功发表的技巧：英文
44. 科研论文配图设计与制作从入门到精通
45. EndNote & Word文献管理与论文写作
46. 研究方法、设计与分析
47. How to Do Great Research | research-course
48. 文献管理与信息分析_中国科学技术大学_中国大学MOOC(慕课)

7. 写作

1. 技术写作

1. 如何写作系列教程 - PDI技术写作团队的专栏 - 掘金

2. 文学写作

1. 剧本写作

1. 查理老师的编剧课：https://space.bilibili.com/221524811/

3. 英语写作

1. 《On Writing Well》
2. 《How to Say It》

8. 算法与数据结构

1. 《算法设计手册》
2. Steven Skiena’s lectures
3. 《数据结构》严蔚敏
   【公开课】数据结构（清华严蔚敏）_哔哩哔哩_bilibili
4. 《算法导论》
   huaxz1986/cplusplus-_Implementation_Of_Introduction_to_Algorithms: 《算法导论》第三版中算法的C++实现
5. Hello 算法
6. 数据结构 Python语言描述
7. 《数据结构与算法分析——C语言描述》
8. 《算法设计与分析基础》韩军
9. 《算法引论——一种创造性方法》
10. 《Algorithms on Strings, Trees and Sequences》
11. 《Algorithm Design Manual》
12. 《Algorithms》
13. 6.851 Advanced Data Structures
14. 《啊哈！算法》
15. 《算法图解》
16. 《妙趣横生的算法（C语言实现 第2版）》
17. 《趣学算法》
18. 《大话数据结构》
19. 《学习算法思想 修炼编程内功》
20. 《算法导论》
21. 《数据结构与算法 Java版》
22. 《数据结构与算法：Python语言描述》
23. 《学习JavaScrit数据结构与算法（第2版）》
24. 《数据结构与算法分析：C语言描述（原书第2版）》
25. 《数据结构与算法分析:C++描述(第3版)》
26. 《剑指Offer：名企面试官精讲典型编程题（第2版）》
27. 《算法谜题》
28. 《程序员实用算法》
30. 做题
    1. Exercism

9. 数据库

1. Readings in Database Systems
2. Joe Hellerstein’s Berkeley CS 186
3. 《MySQL必知必会》
4. 【中字】SQL进阶教程 | 史上最易懂SQL教程！10小时零基础成长SQL大师！！
5. CMU 15-445/645 :: Intro to Database Systems (Spring 2024)

10. CV计算机视觉

1. Stanford University CS231n: Deep Learning for Computer Vision
2. 数字图像处理
3. 视频处理与通信
4. 新一代视频压缩编码标准——H.264/AVC
5. FFmpeg
6. 播放器
   1. vlc
   2. ljkplayer
   3. exoplayer

11. 编程

1. 《编程之法：面试和算法心得》
2. 《实战Nginx》
3. 《Tomcat架构解析》
4. 《Docker实战》
5. 《Designing Data-Intensive Applications》
6. 《持续演进的Cloud Native：云原生架构下微服务最佳实践》
7. 《阿里云云原生架构实践》
8. 《中台战略：中台建设与数字商业》
9. 《Elements of Programming》
10. 《Language Implementation Patterns》
11. 《Writing Efficient Programs》
12. 《编程珠玑》
13. 《更多的编程珠玑》
14. 《The Science of Programming》

1. Web前端

1. Learn HTML
2. Learn CSS
3. JavaScript - 学习 Web 开发 | MDN
4. 《JavaScript高级程序设计》
5. Web API 接口参考 | MDN
6. Chrome tricks | 白日做梦
7. 《无界面交互》
8. 《CSS新世界》
9. A Philosophy of Software Design

2. Git

1. https://www.youtube.com/watch?v=heXQnM99oAI

3. Java

1. JavaGuide：这个其实综合性挺强的，是给Java程序员找工作时用的
2. 《Netty实战》
3. 《Netty进阶之路》
4. 《Netty入门与实战：仿写微信IM即时通讯系统》
5. 《netty4 核心原理》

4. C

1. 《C和指针》
2. 《C Interfaces and Implementation》

5. C#

1. C# 教程 | 菜鸟教程
2. 《.net之美》

6. 设计模式

1. datawhalechina/sweetalk-design-pattern: 基于《大话设计模式》对设计原则和设计模式进行解读。

7. 大数据

1. 《Redis深度历险：核心原理与应用实践》
2. 《实战Redis》
3. 《深入理解Kafka：核心设计与实践原理》

8. 测试

1. 《Effective Software Testing》
2. 《Unit Testing: Principles, Practices, and Patterns》

9. 游戏开发

1. 《精通Cocos2d-x游戏开发》
2. 《Cocos2d跨平台游戏开发指南》
3. 《Unity 3D完全自学教程》
4. 从零到应用商店发布实战合集 | 虚幻5手游开发教程【新手向 | 持续更新】_哔哩哔哩bilibili_教程
5. 《平衡掌控者游戏数值经济设计》
6. M_Studio-合集·《勇士传说》Unity2022版教程

12. 音频处理&时间序列分析

1. Audio Signal Processing and Coding

13. 推荐系统

1. 深度学习推荐系统

14. 强化学习

1. Sutton & Barto Book: Reinforcement Learning: An Introduction
   配套课程：Teaching - David Silver
2. CS 285
3. JiwenJ/Awesome-RL: A curated list of RL resources

15. 计算机综合（面试）

1. CS-Notes 面试笔记
2. 【布客】Interview 面试指南
3. 荣誉中心 - Heywhale.com
4. AI算法工程师手册（有一部分我已经看过了。总之整个博客都推荐阅读）
5. jwasham/coding-interview-university: A complete computer science study plan to become a software engineer.
6. CS自学指南
7. 《编程之法 面试和算法心得》
8. 《编程珠玑（第2版•修订版）》
9. 《编程之美》
10. jiushi506/ComputerTech: 计算机编程技术大全，java，c++, golang, python, javascript, 计算机网络，操作系统，编译原理，互联网面试等

16. 测试

1. 博为峰软件测试
2. 松勤软件测试

17. 演讲与口才

1. 麻省理工公开课：如何说话How to Speak（中英文字幕）_哔哩哔哩_bilibili
2. Make Body Language Your Superpower - YouTube

18. 集成性材料

1. https://jyywiki.cn/Reading_List.md
2. 📚各大高校课程资源汇总，在Github上大学    💡加入组织 | university  推荐丨国内多所高校课程共享

19. 交叉学科-文科那边的知识

1. 法学

1. 法学导论
2. 法理学初阶
3. 法律思维三十讲
4. 洞穴奇案
5. 木腿正义
6. 送法下乡
7. 杀死一只知更鸟
8. 法的门前
9. 政法笔记
10. 法治及其本土资源
11. 制度是如何形成的
12. 法律稻草人
13. 法治的细节

2. 语言学

1. 语料库文体统计学方法与应用

3. 心理学

1. 《问题管理家（PM+）》

4. 金融财会

1. 会计学

1. 许家林．会计学原理．北京．科学出版社．2010.7．27

2. 量化

1. ‌⁢⁤‬​⁢⁤⁣⁤⁤​‌​⁣⁡​‌⁢​​‬⁣⁣⁣‬⁢⁡‍​⁤​⁢‍⁡⁢‬⁣⁣​⁡‍‌​⁢⁡经典量化模型 - 飞书云文档

20. 管理学

1. 技术管理

1. 《The Manager’s Path: A Guide for Tech Leaders Navigating Growth and Change》
2. 《An Elegant Puzzle: Systems of Engineering Management》

本文撰写过程中参考的资料

1. 人工智能中的线性代数与矩阵论学习秘诀之著名教材
2. 我的算法学习之路 – lucida：这篇作者介绍了他自己学习算法与编程、并将其应用于实践的经历，故事写得很精彩。