HenryNdubuaku/maths-cs-ai-compendium

Become a cracked AI/ML researcher/engineer with this unconventional textbook covering maths, computing, and ML with intuition.

它是什么

一本开放、非传统的教科书，从基础开始涵盖数学、计算和人工智能。它是为那些希望深入理解材料的好奇实践者而写的，而不仅仅是为了通过考试或面试。

为什么存在

作者在AI/ML领域工作多年，笔记本里充满了直觉优先的解释、现实世界背景，没有含糊其辞。2025年，一些朋友用这些笔记准备DeepMind、OpenAI、Nvidia等公司的面试——所有人都被录用并在岗位上表现出色。作者也进入了Y Combinator。现在这些笔记公开分享。

内容

该汇编有18章，全部标记为“可用”：

向量 — 空间、大小、方向、范数、度量、点积/叉积/外积、基、对偶性
矩阵 — 性质、特殊类型、运算、线性变换、分解（LU、QR、SVD）
微积分 — 导数、积分、多元微积分、泰勒近似、优化、梯度下降
统计学 — 描述性度量、抽样、中心极限定理、假设检验、置信区间
概率论 — 计数、条件概率、分布、贝叶斯方法、信息论
机器学习 — 经典ML、梯度方法、深度学习、强化学习、分布式训练
计算语言学 — 句法、语义、语用、NLP、语言模型、RNN、CNN、注意力、Transformer、文本扩散、OCR、MoE、SSM、现代LLM架构、NLP评估
计算机视觉 — 图像处理、目标检测、分割、视频处理、SLAM、CNN、视觉Transformer、扩散、流匹配、VR/AR
音频与语音 — DSP、ASR、TTS、语音/声学活动检测、说话人分离、源分离、主动降噪、WaveNet、Conformer
多模态学习 — 融合策略、对比学习、CLIP、VLM、图像/视频标记化、跨模态生成、统一架构、世界模型
自主系统 — 感知、机器人学习、VLA、自动驾驶汽车、太空机器人
图神经网络 — 几何深度学习、图论、GNN、图注意力、图Transformer、3D等变网络
计算与操作系统 — 离散数学、计算机体系结构、操作系统、并发、并行、编程语言
数据结构与算法 — 大O、递归、回溯、动态规划、数组、哈希、链表、栈、树、图、排序、二分搜索
生产级软件工程 — Linux、Git、代码库设计、测试、CI/CD、Docker、模型服务、MLOps、监控、使用编码代理
SIMD与GPU编程 — 用于ML的C++、框架如何工作、硬件基础、ARM NEON/I8MM/SME2、x86 AVX、GPU/CUDA、Triton、TPU、RISC-V、Vulkan、WebGPU
AI推理 — 量化、高效架构、服务与批处理、边缘推理、投机解码、成本优化
ML系统设计 — 系统基础、云计算、分布式系统、ML生命周期、特征存储、A/B测试、推荐/搜索/广告/欺诈设计示例

MCP服务器

仓库包含一个MCP服务器，允许任何AI助手（Claude Code、Cursor、VS Code等）将汇编用作知识库。它需要本地克隆仓库，并提供用于教育目的的工具和示例实现。

学习理念

前言认为，伟大的AI研究人员和工程师来自高质量的知识消费和丰富的经验——就像在好数据上训练的神经网络。它引用了Kvashchev的实验，一项长期的塞尔维亚研究，表明为期三年的强化创造性问题解决训练可以显著提高流体智力10-15个IQ点。它以查尔斯·达尔文为例：他的老师认为他平庸，他自称是“慢处理器”，需要时间吸收数据。该汇编是为“世界上的达尔文们”设计的——那些受益于良好连接的知识流的人。只需要初等数学和基本Python；其他一切都在过程中学习。

学习技巧

作者分享了一种两阶段方法：

第一阶段——累积阅读：课后，睡前阅读每份材料。在下一节课时，从头开始读，一直读到当前点，用额外研究填补知识空白。这有助于大脑连接模式。
第二阶段——考试前影子阅读：阅读每个副标题，合上书，然后想象并写出对该概念的解释。只重读你遗漏的部分（类似于机器学习中的掩码语言建模）。重读后，用代码实现该概念以培养肌肉记忆。

作者

Henry Ndubuaku。README指向他的GitHub个人资料以获取更多信息。

引用

提供了BibTeX条目用于引用本书：

@book{ndubuaku2025compendium,
  title     = {Maths, CS & AI Compendium},
  author    = {Henry Ndubuaku},
  year      = {2026},
  publisher = {GitHub},
  url       = {https://github.com/HenryNdubuaku/maths-cs-ai-compendium}
}

访问

可在henryndubuaku.github.io/maths-cs-ai-compendium在线阅读。仓库还显示一个Trendshift徽章（一个流行度指标）。