不要上手就學(xué)深度學(xué)習(xí)！超詳細(xì)的人工智能專家路線圖，GitHub數(shù)天獲2.1k星

來源：機器之心

想從事人工智能領(lǐng)域的研究，盲目地在網(wǎng)上購買了一本又一本的參考資料，學(xué)習(xí)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(xué)習(xí)途徑就顯得尤為重要了。如果你想成為數(shù)據(jù)科學(xué)家、機器學(xué)習(xí)或者 AI 專家，而又苦于找不到合適的學(xué)習(xí)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。

這是一家德國軟件公司 AMAI GmbH 近期發(fā)布的 GitHub 項目——AI 專家路線圖（AI-Expert-Roadmap）。該路線圖幾乎涵蓋了 AI 領(lǐng)域所有的知識點，并且每個知識點都有詳細(xì)的文檔。有了這個路線圖的指導(dǎo)，或許能幫助你快速入門乃至成為 AI 領(lǐng)域的佼佼者。該項目上線短短幾天，已經(jīng)收獲了 2.1k 星。

項目地址：

https://github.com/AMAI-GmbH/AI-Expert-Roadmap

亮點多多的 AI 專家路線圖

對學(xué)習(xí)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(nèi)容都可以鏈接到指定網(wǎng)站，學(xué)習(xí)者可以找到詞條的維基百科或其他來源的釋義和拓展內(nèi)容。此外，如果有新的研究出現(xiàn)時，該路線圖會隨時更新。

該路線圖旨在給學(xué)習(xí)者提供關(guān)于人工智能的整體概念，并在學(xué)習(xí)感到困惑時給予指導(dǎo)，而沒有鼓勵學(xué)習(xí)者一味地選擇最先進(jìn)、最熱門的技術(shù)。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(jìn)、最熱門的技術(shù)不一定是最適合的。

就這份 AI 專家路線圖而言，開發(fā)者列出了任何學(xué)習(xí)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(fā)者認(rèn)為在學(xué)習(xí) AI 時不應(yīng)直接過渡到當(dāng)前熱門的技術(shù)——深度學(xué)習(xí)，而應(yīng)步步為營，并提供了 3 條可供選擇的學(xué)習(xí)路徑：數(shù)據(jù)科學(xué)家→機器學(xué)習(xí)→深度學(xué)習(xí)…；數(shù)據(jù)科學(xué)家→數(shù)據(jù)工程師…；大數(shù)據(jù)工程師→…

循序漸進(jìn)才是“王道”。

AI 專家路線圖概覽

這部分內(nèi)容簡要總結(jié)了 AI 專家路線圖，并從以下幾個方面著手講解：數(shù)據(jù)科學(xué)家、機器學(xué)習(xí)、深度學(xué)習(xí)、數(shù)據(jù)工程師以及大數(shù)據(jù)工程師。這 5 部分內(nèi)容都有詳細(xì)的學(xué)習(xí)路線圖，點擊圖表任意模塊，都會鏈接到對應(yīng)的內(nèi)容。

數(shù)據(jù)科學(xué)家路線圖

在數(shù)據(jù)科學(xué)家路線圖中，我們可以了解到進(jìn)行 AI 研究所需要的基礎(chǔ)：矩陣和線性代數(shù)、數(shù)據(jù)庫、表格數(shù)據(jù)、數(shù)據(jù)格式（JSON、XML、CSV）、正則表達(dá)式等等。

在統(tǒng)計學(xué)方面，該路線圖涵蓋了概率論、概率分布、估計、假設(shè)檢驗、置信區(qū)間、大數(shù)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(chǔ)、比較重要的 Python 庫以及所需運行環(huán)境等。

在數(shù)據(jù)來源方面，學(xué)習(xí)者點擊“Awesome Public Datasets”圖標(biāo)，就可以鏈接到整理好的公共數(shù)據(jù)集等。接著過渡到可視化和探索性數(shù)據(jù)分析 / 轉(zhuǎn)換 / 整理相關(guān)內(nèi)容，最后進(jìn)入到機器學(xué)習(xí)和數(shù)據(jù)工程師兩個不同的方向。

機器學(xué)習(xí)路線圖

機器學(xué)習(xí)路線圖主要分為 4 大部分：基礎(chǔ)概念、算法、用例以及所用工具。其中基礎(chǔ)概念部分主要包括機器學(xué)習(xí)中常用的概念、梯度下降、訓(xùn)練集、測試集、驗證集等基礎(chǔ)概念；算法部分列舉了 4 類算法：監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)、集成學(xué)習(xí)和強化學(xué)習(xí)；用例部分列舉了情感分析、協(xié)同過濾、標(biāo)注和預(yù)測；所用工具部分則介紹了 scikit-learn、spacy 等工具。每部分內(nèi)容都有對應(yīng)的詳細(xì)文檔。

深度學(xué)習(xí)路線圖

機器學(xué)習(xí)之后進(jìn)入到了深度學(xué)習(xí)，這是第 1 條可選擇學(xué)習(xí)路徑的最后部分。深度學(xué)習(xí)路線圖由 4 大部分組成：論文、神經(jīng)網(wǎng)絡(luò)、網(wǎng)絡(luò)架構(gòu)以及所用工具。論文部分提供了深度學(xué)習(xí)論文閱讀路線圖以及 SOTA 論文；神經(jīng)網(wǎng)絡(luò)部分提供了一篇詳細(xì)介紹如何理解神經(jīng)網(wǎng)絡(luò)的博客文章；網(wǎng)絡(luò)架構(gòu)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(jìn)。

數(shù)據(jù)工程師路線圖

在數(shù)據(jù)科學(xué)家路線圖之后可以直接進(jìn)入到數(shù)據(jù)工程師路線圖，這是第 2 條可選擇的學(xué)習(xí)路徑。該路線圖主要介紹了數(shù)據(jù)格式、數(shù)據(jù)發(fā)現(xiàn)、數(shù)據(jù)集成、數(shù)據(jù)融合、數(shù)據(jù)調(diào)研、數(shù)據(jù)湖和數(shù)據(jù)倉庫以及如何使用 ETL 等多方面內(nèi)容。

大數(shù)據(jù)工程師路線圖

大數(shù)據(jù)工程師路線圖是第 3 條可選擇的學(xué)習(xí)路徑，主要分為 3 部分內(nèi)容：大數(shù)據(jù)架構(gòu)、遵循的原則以及所用工具。大數(shù)據(jù)架構(gòu)部分主要講述了大數(shù)據(jù)分析架構(gòu)模式和最佳實踐；遵循的原則包括數(shù)據(jù)庫管理系統(tǒng)中的數(shù)據(jù)復(fù)制，以及 Hadoop 中 NameNode 和 DataNode 的區(qū)別等；所用工具則介紹了 Hadoop、Spark 等。

參考鏈接：

https://i.am.ai/roadmap/#data-science-roadmap