这份学习路线图几乎覆盖了人工智能领域的所有知识点，用户只需轻轻点击即可获取所需的相关信息。
对于有志于从事人工智能研究的人来说，往往会在网络上随意购买大量的参考书籍和学习视频，结果发现这些方法并未带来显著效果，反而耗费了大量时间和金钱。
因此，采用一种结构化的学习方式显得尤为重要。如果你的目标是成为数据科学家、机器学习专家或人工智能领域的专业人士，但又苦于没有合适的学习方案，本文将为你提供一条清晰易懂的人工智能专家学习路线图。
这是德国软件公司 AMAI GMbH 最近推出的 GitHub 项目——AI 专家路线图（AI-ExpeRt-RoadMap）。该路线图几乎涵盖了人工智能的所有知识领域，并为每个知识点提供了详细的文档。通过这个路线图的指引，或许能帮助你快速入门，甚至成为该领域的佼佼者。该项目上线仅几天，就收获了 2.1k 星。
项目地址：https://Github.coM/AMAI-GMbH/AI-ExpeRt-RoadMap
AI 专家路线图的亮点
值得一提的是，这份 AI 专家路线图是一个互动版本。每个子模块中列出的内容都可以链接到相应网站，学习者能够找到维基百科或其他来源的释义和扩展信息。此外，该路线图还会根据新的研究动态进行实时更新。
该路线图旨在为学习者提供人工智能的整体概念，并在学习过程中提供指导，而不是鼓励学习者盲目追逐最新、最热门的技术。因为在科研中，每个研究者都需要了解哪个工具最适合自己。换句话说，最先进的技术不一定是最合适的选择。
关于这份 AI 专家路线图，开发者列出了任何学习路径必不可少的要素，如论文、代码、版本控制、语义化版本控制和更新日志。但在具体选择上，开发者强调在学习人工智能时不应急于转向当前热门的深度学习技术，而应循序渐进，并提供了三条可供选择的学习路径：数据科学家—机器学习—深度学习；数据科学家—数据工程师；大数据工程师—
循序渐进才是成功的关键。
AI 专家路线图概览
这一部分将简要总结 AI 专家路线图，并从数据科学家、机器学习、深度学习、数据工程师以及大数据工程师等方面进行讲解。每个部分都配有详细的学习路线图，点击图表中的任意模块即可链接到相关内容。
数据科学家路线图
在数据科学家路线图中，可以了解到进行人工智能研究所需的基础知识：矩阵和线性代数、数据库、表格数据以及各种数据格式（如 JSON、XML、CSV）和正则表达式等。
在统计学方面，该路线图涉及了概率论、概率分布、估计、假设检验、置信区间、大数法则和蒙特卡罗方法等内容。
在 Python 编程方面，路线图展示了 Python 的基本知识、重要库及所需的运行环境等。
此外，学习者可以通过点击「AwesoMe Public Datasets」图标，访问整理好的公共数据集，随后转向可视化、探索性数据分析、数据转换和整理等相关知识，最终进入机器学习或数据工程师的方向。
机器学习路线图
机器学习路线图主要分为四个部分：基础概念、算法、应用案例及所用工具。其中基础概念包括机器学习中常见的概念、梯度下降、训练集、测试集和验证集等；算法部分列出了监督学习、无监督学习、集成学习和强化学习四类算法；应用案例部分涵盖情感分析、协同过滤、标注和预测；工具部分介绍了 scikit-learn、spaCy 等工具。每个部分都有详细的文档支持。
深度学习路线图
在完成机器学习的学习后，接下来是深度学习，这是第一条可选学习路径的最后部分。深度学习路线图由四个部分组成：论文、神经网络、网络架构和所用工具。论文部分提供了深度学习论文的阅读路线图及 SOTA 论文；神经网络部分包含如何理解神经网络的详细博客文章；网络架构部分涉及感知器、自动编码器、卷积神经网络（CNN）、递归神经网络（RNN）；工具部分介绍了 TensorFlow 和 PyTorch 等。最后，建议学习者保持探索，不断更新自己的知识。
数据工程师路线图
在数据科学家路线图之后，学习者可以直接进入数据工程师路线图，这是第二条可选学习路径。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、数据探索、数据湖和数据仓库，以及如何使用 ETL 工具等多方面内容。
大数据工程师路线图
大数据工程师路线图是第三条可选学习路径，主要分为三个部分：大数据架构、遵循的原则及所用工具。大数据架构部分着重讲解大数据分析架构模式及最佳实践；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；工具部分则介绍了 Hadoop 和 Spark 等。
