來源：機器之心git
本文約1600字，建議閱讀5分鐘github
這個學習路線圖幾乎涵蓋了人工智能領域的全部內容，點點鼠標，就能連接所需知識。正則表達式
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，這些方法可能做用並非很大，卻消耗了大量的時間和金錢。算法
這時，一種提綱式的學習途徑就顯得尤其重要了。若是你想成爲數據科學家、機器學習或者 AI 專家，而又苦於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。數據庫
這是一家德國軟件公司 AMAI GmbH 近期發佈的 GitHub 項目——AI 專家路線圖（AI-Expert-Roadmap）。該路線圖幾乎涵蓋了 AI 領域全部的知識點，而且每一個知識點都有詳細的文檔。有了這個路線圖的指導，或許能幫助你快速入門乃至成爲 AI 領域的佼佼者。該項目上線短短几天，已經收穫了 2.1k 星。編程
項目地址：網絡
https://github.com/AMAI-GmbH/AI-Expert-Roadmap架構
亮點多多的 AI 專家路線圖機器學習
對學習者很是友好的是，這份 AI 專家路線圖是一個互動版本。每一個子模塊所列內容均可以連接到指定網站，學習者能夠找到詞條的維基百科或其餘來源的釋義和拓展內容。此外，若是有新的研究出現時，該路線圖會隨時更新。工具
該路線圖旨在給學習者提供關於人工智能的總體概念，並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早進、最熱門的技術。這是由於在科研中，每一個人都須要瞭解哪一種工具最適合本身。換言之，最早進、最熱門的技術不必定是最適合的。
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誌。但就具體選擇上，開發者認爲在學習 AI 時不該直接過渡到當前熱門的技術——深度學習，而應步步爲營，並提供了 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→…
按部就班纔是「王道」。
AI 專家路線圖概覽
這部份內容簡要總結了 AI 專家路線圖，並從如下幾個方面着手講解：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 部份內容都有詳細的學習路線圖，點擊圖表任意模塊，都會連接到對應的內容。
數據科學家路線圖
在數據科學家路線圖中，咱們能夠了解到進行 AI 研究所須要的基礎：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，該路線圖涵蓋了機率論、機率分佈、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，該路線圖展現了 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，就能夠連接到整理好的公共數據集等。接着過渡到可視化和探索性數據分析 / 轉換 / 整理相關內容，最後進入到機器學習和數據工程師兩個不一樣的方向。
機器學習路線圖
機器學習路線圖主要分爲 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經常使用的概念、梯度降低、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、標註和預測；所用工具部分則介紹了 scikit-learn、spacy 等工具。每部份內容都有對應的詳細文檔。
深度學習路線圖
機器學習以後進入到了深度學習，這是第 1 條可選擇學習路徑的最後部分。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。最後給出建議：保持探索、與時俱進。
數據工程師路線圖
在數據科學家路線圖以後能夠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。
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，主要分爲 3 部份內容：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複製，以及 Hadoop 中 NameNode 和 DataNode 的區別等；所用工具則介紹了 Hadoop、Spark 等。
參考連接：
https://i.am.ai/roadmap/#data-science-roadmap
編輯：於騰凱