想從事人工智能領域的研究，盲目地在網上購買了一本又一本的參考資料，學習視頻刷了一遍又一遍…… 反過頭來看，這些方法可能作用并不是很大，卻消耗了大量的時間和金錢。

這時，一種提綱式的學習途徑就顯得尤為重要了。如果你想成為數據科學家、機器學習或者 AI 專家，而又苦于找不到合適的學習方法，本文將提供一組思路清晰、簡單易懂的人工智能專家路線圖。

超詳細的AI 專家路線圖

對學習者非常友好的是，這份 AI 專家路線圖是一個互動版本。每個子模塊所列內容都可以鏈接到指定網站，學習者可以找到詞條的維基百科或其他來源的釋義和拓展內容。此外，如果有新的研究出現時，該路線圖會隨時更新。

該路線圖旨在給學習者提供關于人工智能的整體概念，并在學習感到困惑時給予指導，而沒有鼓勵學習者一味地選擇最先進、最熱門的技術。這是因為在科研中，每個人都需要了解哪種工具最適合自己。換言之，最先進、最熱門的技術不一定是最適合的。

就這份 AI 專家路線圖而言，開發者列出了任何學習路徑所必不可少的一些要素，如論文和代碼、版本控制、語義化版本控制和更新日志。但就具體選擇上，開發者認為在學習 AI 時不應直接過渡到當前熱門的技術——深度學習，而應步步為營，并提供了 3 條可供選擇的學習路徑：數據科學家→機器學習→深度學習…；數據科學家→數據工程師…；大數據工程師→…

循序漸進才是「王道」。

AI 專家路線圖概覽

這部分內容簡要總結了 AI 專家路線圖，并從以下幾個方面著手講解：數據科學家、機器學習、深度學習、數據工程師以及大數據工程師。這 5 部分內容都有詳細的學習路線圖，點擊圖表任意模塊，都會鏈接到對應的內容。

一、數據科學家路線圖

在數據科學家路線圖中，我們可以了解到進行 AI 研究所需要的基礎：矩陣和線性代數、數據庫、表格數據、數據格式（JSON、XML、CSV）、正則表達式等等。

在統計學方面，該路線圖涵蓋了概率論、概率分布、估計、假設檢驗、置信區間、大數定律、蒙特卡羅方法等等。

在 Python 編程方面，該路線圖展示了 Python 基礎、比較重要的 Python 庫以及所需運行環境等。

在數據來源方面，學習者點擊「Awesome Public Datasets」圖標，就可以鏈接到整理好的公共數據集等。接著過渡到可視化和探索性數據分析 / 轉換 / 整理相關內容，最后進入到機器學習和數據工程師兩個不同的方向。

二、機器學習路線圖

機器學習路線圖主要分為 4 大部分：基礎概念、算法、用例以及所用工具。其中基礎概念部分主要包括機器學習中常用的概念、梯度下降、訓練集、測試集、驗證集等基礎概念；算法部分列舉了 4 類算法：監督學習、無監督學習、集成學習和強化學習；用例部分列舉了情感分析、協同過濾、標注和預測；所用工具部分則介紹了 scikit-learn、spacy 等工具。每部分內容都有對應的詳細文檔。

三、深度學習路線圖

機器學習之后進入到了深度學習，這是第 1 條可選擇學習路徑的最后部分。深度學習路線圖由 4 大部分組成：論文、神經網絡、網絡架構以及所用工具。論文部分提供了深度學習論文閱讀路線圖以及 SOTA 論文；神經網絡部分提供了一篇詳細介紹如何理解神經網絡的博客文章；網絡架構部分包括感知器、自動編碼器、CNN、RNN；所用工具部分主要介紹了 TensorFlow 、PyTorch 等。最后給出建議：保持探索、與時俱進。

四、數據工程師路線圖

在數據科學家路線圖之后可以直接進入到數據工程師路線圖，這是第 2 條可選擇的學習路徑。該路線圖主要介紹了數據格式、數據發現、數據集成、數據融合、數據調研、數據湖和數據倉庫以及如何使用 ETL 等多方面內容。

五、大數據工程師路線圖

大數據工程師路線圖是第 3 條可選擇的學習路徑，主要分為 3 部分內容：大數據架構、遵循的原則以及所用工具。大數據架構部分主要講述了大數據分析架構模式和最佳實踐；遵循的原則包括數據庫管理系統中的數據復制，以及 Hadoop 中 NameNode 和 DataNode 的區別等；所用工具則介紹了 Hadoop、Spark 等。