如果你想成为数据科学家、机器学习或者 AI 专家，而又苦于找不到合适的学习方法，本文将提供一组思路清晰、简单易懂的人工智能专家路线图。
这是一家德国软件公司 AMAI GmbH 近期发布的 GitHub 项目——AI-Expert-Roadmap。该路线图几乎涵盖了 AI 领域所有的知识点，并且每个知识点都有详细的文档。有了这个路线图的指导，或许能帮助你快速入门乃至成为 AI 领域的佼佼者。
对学习者非常友好的是，这份 AI 专家路线图是一个互动版本。 每个子模块所列内容都可以链接到指定网站，学习者可以找到词条的维基百科或其他来源的释义和拓展内容。 此外，如果有新的研究出现时，该路线图会随时更新。
该路线图旨在给学习者提供关于人工智能的整体概念，并在学习感到困惑时给予指导，而没有鼓励学习者一味地选择最先进、最热门的技术。这是因为在科研中，每个人都需要了解哪种工具最适合自己。换言之，最先进、最热门的技术不一定是最适合的。
就这份 AI 专家路线图而言，开发者列出了任何学习路径所必不可少的一些要素，如论文和代码、版本控制、语义化版本控制和更新日志。但就具体选择上，开发者认为在学习 AI 时不应直接过渡到当前热门的技术——深度学习，而应步步为营，并提供了 3 条可供选择的学习路径.
路线图概要
这部分内容简要总结了 AI 专家路线图，并从以下几个方面着手讲解： 数据科学家、机器学习、深度学习、数据工程师以及大数据工程师 。这 5 部分内容都有详细的学习路线图，点击图表任意模块，都会链接到对应的内容。
数据科学家路线图
在数据科学家路线图中，我们可以了解到进行 AI 研究所需要的基础：矩阵和线性代数、数据库、表格数据、数据格式（JSON、XML、CSV）、正则表达式等等。
在统计学方面，该路线图涵盖了概率论、概率分布、估计、假设检验、置信区间、大数定律、蒙特卡罗方法等等。
在 Python 编程方面，该路线图展示了 Python 基础、比较重要的 Python 库以及所需运行环境等。
在数据来源方面，学习者点击「Awesome Public Datasets」图标，就可以链接到整理好的公共数据集等。接着过渡到可视化和探索性数据分析 / 转换 / 整理相关内容，最后进入到机器学习和数据工程师两个不同的方向。
机器学习路线图
机器学习路线图主要分为 4 大部分： 基础概念、算法、用例以及所用工具 。其中基础概念部分主要包括机器学习中常用的概念、梯度下降、训练集、测试集、验证集等基础概念；算法部分列举了 4 类算法：监督学习、无监督学习、集成学习和强化学习；用例部分列举了情感分析、协同过滤、标注和预测；所用工具部分则介绍了 scikit-learn、spacy 等工具。每部分内容都有对应的详细文档。
深度学习路线图
机器学习之后进入到了深度学习，这是第 1 条可选择学习路径的最后部分。深度学习路线图由 4 大部分组成： 论文、神经网络、网络架构以及所用工具 。论文部分提供了深度学习论文阅读路线图以及 SOTA 论文；神经网络部分提供了一篇详细介绍如何理解神经网络的博客文章；网络架构部分包括感知器、自动编码器、CNN、RNN；所用工具部分主要介绍了 TensorFlow 、PyTorch 等。最后给出建议：保持探索、与时俱进。
数据工程师路线图
在数据科学家路线图之后可以直接进入到数据工程师路线图，这是第 2 条可选择的学习路径。该路线图主要介绍了数据格式、数据发现、数据集成、数据融合、数据调研、数据湖和数据仓库以及如何使用 ETL 等多方面内容。
大数据工程师路线图
大数据工程师路线图是第 3 条可选择的学习路径，主要分为 3 部分内容： 大数据架构、遵循的原则以及所用工具 。大数据架构部分主要讲述了大数据分析架构模式和最佳实践；遵循的原则包括数据库管理系统中的数据复制，以及 Hadoop 中 NameNode 和 DataNode 的区别等；所用工具则介绍了 Hadoop、Spark 等。
相关文章
ChatGPT 在您所在的国家/地区不可用
ChatGPT 是由 OpenAI 开发的一个人工智能聊天机器人程序，于 2022 年 11 月推出。该程序使用基于 GPT-3.5 架构的大型语言模型并通过强化学习进行训练。几乎可以做任何事情。无论是生成代码，还是写论文和诗歌等等。目前，有部分地区（例如中国大陆、香港）无法使用此项服务。...
索尼新专利：使用AI为PS5玩家推荐武器装备
索尼互动娱乐公司希望利用人工智能（AI）更容易地给 PS5 新玩家推荐武器或装备。根据一项新的专利申请，索尼发现如果玩家是第一次进行游戏，他们在选择武器或其他可用物品时往往会感到困惑。因此，他们的经验不足可能会导致错误的决定，他们可能会在在游玩过程中感到后悔–有时甚至迫使他们重新开始。
PornHub 用 AI 将老黄片升级为彩色 4K
PornHub 透过机器学习将远至 1896 年的老黑白片带给现代观众。