Video Title: STOP Taking Random AI Courses - Read These Books Instead
Video ID: eE6yvtKLwvk
Video URL: https://www.youtube.com/watch?v=eE6yvtKLwvk
Export Date: 2026-07-18 00:06:31
Channel: Egor Howell
Format: markdown
================================================================================

## Ключевые выводы и инсайты
- Для успешной карьеры в AI необходимы крепкие навыки программирования и софтверной инженерии, особенно Python, но также полезны языки как Rust, Go или Java.
- Изучение фундаментальной математики (статистика, линейная алгебра, калькуляция) критично для глубокого понимания работы моделей ИИ.
- Современный AI — это в основном генеративный AI и Large Language Models (LLM), но важно понимать историю и базовые принципы машинного обучения.
- Для глубокого понимания и практического применения AI нужно изучать как теорию, так и практические навыки — строить проекты и развивать hands-on опыт.
- Роль AI инженера больше связана с развёртыванием и интеграцией существующих моделей, чем с разработкой моделей с нуля.
- В обучении важна итеративность, обучение на практике, а также сравнение себя только с прошлым собой, а не с другими.

## Практические стратегии
- Начать с изучения Python через курсы FreeCodeCamp (4 часа), «Python for Everybody» на Coursera, а также практиковаться на HackerRank, LeetCode и NeetCode.
- Изучать фундаментальную математику с помощью трёх основных ресурсов: «Practical Statistics for Data Science», «Mathematics for Machine Learning» и курса «Mathematics for Machine Learning and Deep Learning Specialization» от DeepLearning.AI.
- Для машинного обучения рекомендованы книги и курсы:
  - Книга «Hands-On Machine Learning with Scikit-Learn, TensorFlow and Keras» — полный охват тем.
  - Курс «Machine Learning Specialization» от Andrew Ng.
  - Книга «100-page Machine Learning Book» для быстрого обзора.
  - Книга «Elements of Statistical Learning» для глубокого понимания теории.
  - Буткемп «Zero to Mastery Complete AI, Machine Learning and Data Science Bootcamp» — для практического обучения с проектами.
- Для глубокого обучения изучать PyTorch (предпочтительнее TensorFlow) и пройти курс «Deep Learning Specialization» от Andrew Ng.
- После базового обучения смотреть видео «Introduction to LLMs» от Andrej Karpathy и пройти курс «Neural Networks Zero to Hero» — построение нейросетей и GPT с нуля.
- Для понимания LLM и трансформеров рекомендована книга «Hands-On Large Language Models» от Jay Alammar.
- Для AI инженерии и развёртывания моделей — книги «Practical MLOps» и «AI Engineering» от Chip Huyen.
- Важно применять знания на практике, строить реальные проекты, а не ограничиваться теорией.

## Конкретные детали и примеры
- PyTorch использовался в 77% исследовательских работ в 2021 году и 92% моделей на Hugging Face.
- Курс FreeCodeCamp по Python длится 4 часа и охватывает базовые темы.
- «Hands-On Machine Learning with Scikit-Learn, TensorFlow and Keras» — ключевая книга, покрывающая фундаментальные темы, включая reinforcement learning и LLM.
- Курс Andrew Ng по машинному обучению — один из старейших и наиболее уважаемых.
- Буткемп Zero to Mastery охватывает проекты: приложение для диагностики сердечных заболеваний, предсказатель цены бульдозера, классификатор пород собак.
- Книга Jay Alammar — расширенная версия известного блога «The Illustrated Transformer».
- Andrej Karpathy — ведущий исследователь AI, его видео и курсы дают современное понимание LLM.

## Предупреждения и распространённые ошибки
- Не нужно пытаться изучить все ресурсы досконально, это может привести к перегрузке и застою.
- Не стоит пренебрегать практикой — теория без реализации малоэффективна.
- Не ограничивайтесь только поверхностным использованием готовых моделей — понимание работы моделей под капотом важно для развития.
- Не сравнивайте себя с другими, только с прошлым собой — это помогает держать мотивацию и видеть прогресс.
- Не думайте, что можно обойтись без математики, если хотите стать экспертом.

## Ресурсы и следующие шаги
- Курсы:
  - FreeCodeCamp — Learn Python
  - Coursera — Python for Everybody
  - Coursera — Machine Learning Specialization (Andrew Ng)
  - DeepLearning.AI — Deep Learning Specialization
  - Zero to Mastery — AI, Machine Learning and Data Science Bootcamp
- Книги:
  - «Practical Statistics for Data Science»
  - «Mathematics for Machine Learning»
  - «Hands-On Machine Learning with Scikit-Learn, TensorFlow and Keras» (Aurélien Géron)
  - «100-page Machine Learning Book» (Andriy Burkov)
  - «Elements of Statistical Learning»
  - «Hands-On Large Language Models» (Jay Alammar)
  - «Practical MLOps»
  - «AI Engineering» (Chip Huyen)
- Видео и курсы от Andrej Karpathy:
  - «Introduction to LLMs»
  - «Neural Networks Zero to Hero»
- Практика на платформах HackerRank, LeetCode, NeetCode.
- Следующий шаг — выбрать один из ресурсов и начать практическое изучение с проектами.
- Для ускорения обучения можно воспользоваться персональным коучингом и CV-ревью, предложенными автором.

## Основные темы
- Важность навыков программирования и софтверной инженерии в AI.
- Роль Python и альтернативных языков в AI-разработке.
- Фундаментальная математика для AI: статистика, линейная алгебра, калькуляция.
- История и современное состояние AI, акцент на генеративный AI и LLM.
- Лучшие курсы и книги по машинному обучению и глубокому обучению.
- Использование PyTorch как основной библиотеки глубокого обучения.
- Понимание и построение LLM и трансформеров.
- Значение AI инженерии и развёртывания моделей в продакшен.
- Практика через проекты как ключ к успешному обучению.
- Мотивация и советы по эффективному обучению и развитию в AI.