这张学习路线图几乎涵盖了人工智能领域的所有内容，只需点击鼠标即可链接所需知识.想从事人工智能领域的研究，盲目地在网上买了一本又一本的参考资料，一遍又一遍地看学习视频……另一方面，这些方法可能不是很有效，但它们消耗大量时间。时间和金钱。这时候，大纲式的学习方式就显得尤为重要。如果你想成为数据科学家、机器学习或人工智能专家，但找不到合适的学习方法，本文将为人工智能专家提供一套清晰易懂的路线图。这是德国软件公司AMAIGmbH最近发布的一个GitHub项目——人工智能专家路线图（AI-Expert-Roadmap）。路线图几乎涵盖了AI领域的所有知识点，每个知识点都有详细的说明文档。有了这份路线图的指引，或许可以帮助你快速入门，甚至成为人工智能领域的领军人物。该项目在启动后的短短几天内已经获得了2.1k星。项目地址：https://github.com/AMAI-GmbH/AI-Expert-RoadmapAI专家路线图亮点多，对学习者非常友好，本AI专家路线图为互动版。每个子模块中列出的内容都可以链接到指定的网站，学习者可以在维基百科或其他来源中找到词条的定义和扩展。此外，路线图将随着新研究的出现而更新。该路线图旨在为学习者提供人工智能的整体概念，并在学习迷茫时给予指导，而不是鼓励学习者盲目选择最先进、最热门的技术。这是因为在科学研究中，每个人都需要了解哪些工具最适合自己。也就是说，最先进、最热门的技术不一定是最合适的。对于这份面向AI专家的路线图，开发人员列出了一些对于任何学习路径都必不可少的元素，例如论文和代码、版本控制、语义版本控制和变更日志。但在具体选择上，开发者认为，在学习AI时，不应直接过渡到当前流行的技术——深度学习，而应循序渐进，并提供3种可供选择的学习路径：数据科学家→机器学习→深度学习学习...;数据科学家→数据工程师……；大数据工程师→……循序渐进才是“王道”。AIExpertRoadmapOverview本节提供AIExpertRoadmap的简要总结，从：数据科学家、机器学习、深度学习、数据工程师和大数据工程师开始。这5个部分都有详细的学习路线图。单击图表中的任何模块以链接到相应的内容。DataScientistRoadmap在DataScientistRoadmap中，我们可以了解进行AI研究所需的基础知识：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。在统计学方面，路线图涵盖概率论、概率分布、估计、假设检验、置信区间、大数定律、蒙特卡洛方法等。在Python编程方面，路线图展示了Python的基础知识、比较重要的Python库以及所需的运行环境。在数据来源方面，学习者可以点击“AwesomePublicDatasets”图标链接到组织好的公共数据集等。然后过渡到可视化和探索性数据分析/转换/组织相关内容，最后进入两个不同的方向机器学习和数据工程。MachineLearningRoadmap机器学习路线图主要分为4个部分：基本概念、算法、用例和使用的工具。基本概念部分主要包括机器学习中常用概念、梯度下降、训练集、测试集、验证集等基本概念；算法部分列出了四种算法：监督学习、非监督学习、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；使用的工具部分介绍了scikit-learn、spacy等工具。每部分内容都有相应的详细文档。深度学习路线图机器学习之后是深度学习，这是第一个可选学习路径的最后一部分。深度学习路线图由4部分组成：论文、神经网络、网络架构和使用的工具。论文部分提供深度学习论文阅读路线图和SOTA论文；神经网络部分提供了一篇博文，详细介绍了如何理解神经网络；网络架构部分包括感知器、自动编码器、CNN、RNN；使用的工具主要介绍了TensorFlow、PyTorch等，最后给出一个建议：不断探索，与时俱进。在数据科学家路线图之后，数据工程师路线图提供了对数据工程师路线图的直接访问，这是第二个可选的学习路径。路线图主要介绍了数据格式、数据发现、数据集成、数据融合、数据研究、数据湖和数据仓库，以及如何使用ETL。BigDataEngineerRoadmapBigDataEngineerRoadmap是第三个可选的学习路径，主要分为3个部分：大数据架构、遵循的原则、使用的工具。大数据架构部分主要描述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；使用的工具介绍Hadoop、Spark等。
