人工智能是当前讨论热度最高的领域，这一年也有很多读者咨询小编如何成为一名相关工作从业者。近期，一家德国软件公司近期发布了一项AI专家路线图，旨在给学习者提供关于人工智能的整体概念和进阶流程，并在学习感到困惑时给予指导。小编就带大家一起深入了解一下~
一般而言，AI工作岗位可分为：数据科学家、机器学习算法工程师、深度学习算法工程师、数据工程师以及大数据工程师。
对于开发者来说，共有三条可供选择的学习路径：
1. 数据科学家→机器学习算法工程师→深度学习算法工程师
2. 数据科学家→数据工程师
3. 大数据工程师
可以看到，数据科学家（包含我们常说的数据分析师）是前两条路径的基础，而深度学习算法工程师是路径一的最终选择。所以说，要想真正掌握深度学习，还须先过数据分析和机器学习两关。大数据工程师（常说的开发）是另一条路线，虽然没有那么火爆，但在项目中也是举足轻重的地位。
01
基础 Fundamental
在你开始选择路径之前，你需要掌握以下基础内容：
1. 数据分析基本技能，如数据库基础，数据基本格式，数据预处理ETL，BI数据分析等。
2. Python编程，掌握python基本用法，常用库的使用，虚拟环境，jupyter等。
3. 数据获取，如爬虫、查找公共数据集的方法等。
4. 数据分析方法，如PCA，正则化，偏差方差估计，采样等。
02
数据科学家 Data Scientist
数据科学家的路线包括以下几点：
1. 基础知识：矩阵和线性代数、数据库、表格数据、数据格式、正则表达式等等
2. 统计学知识：包括概率论、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。
3. python编程：包括Python 基础，常用的库，所需运行环境等。
4. 可视化工具：如表格，python绘图，Tableau，D3.js等。
03
机器学习算法 Machine Learning
机器学习算法路线主要包括四大部分：
1. 基础概念：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。
2. 算法：包括监督学习、无监督学习、集成学习和强化学习四大类算法，每类算法都包括若干经典的算法。
3. 用例：包括情感分析、协同过滤、标注和预测等。
4. 工具：如scikit-learn、spacy 等工具。
04
深度学习算法 Deep Learning
深度学习路线图由五大部分组成：
1. 论文：阅读论文可掌握深度学习路线图以及SOTA论文及方法。
2. 神经网络：对神经网络的基础了解，如损失函数，权重初始化，梯度爆炸或消失等。
3. 网络架构：包括FNN、Autoencoder、CNN、RNN、Transformer、GAN等。
4. 训练：包括优化器、学习率、正则化、batchsize、迁移学习等。
5. 工具：常用的框架或工具包括pytorch、tensorflow、tensorboard等。
05
数据工程师 Data Engineer
数据工程师路线图主要包括：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。
06
大数据工程师 Big Data Engineer
大数据工程师是第3条可选择的学习路径，主要分为3部分内容：
1. 大数据架构：主要包括大数据分析架构模式和最佳实践
2. 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。
3. 所用的工具：包括Hadoop、Spark、Flink等。
加入知识星球可下载2500余份交通行业方案和研究报告。「智能交通技术」知识星球t.zsxq.com/Nb6mQBIt.zsxq.com/Nb6mQBI
