这个学习路线图几乎涵盖了人工智能领域的所有内容，点点鼠标，就能链接所需知识。
想从事人工智能领域的研究，盲目地在网上购买了一本又一本的参考资料，学习视频刷了一遍又一遍…… 反过头来看，这些方法可能作用并不是很大，却消耗了大量的时间和金钱。
这时，一种提纲式的学习途径就显得尤为重要了。如果你想成为数据科学家、机器学习或者 AI 专家，而又苦于找不到合适的学习方法，本文将提供一组思路清晰、简单易懂的人工智能专家路线图。
超详细的AI 专家路线图
对学习者非常友好的是，这份 AI 专家路线图是一个互动版本。每个子模块所列内容都可以链接到指定网站，学习者可以找到词条的维基百科或其他来源的释义和拓展内容。此外，如果有新的研究出现时，该路线图会随时更新。
该路线图旨在给学习者提供关于人工智能的整体概念，并在学习感到困惑时给予指导，而没有鼓励学习者一味地选择最先进、最热门的技术。这是因为在科研中，每个人都需要了解哪种工具最适合自己。换言之，最先进、最热门的技术不一定是最适合的。
就这份 AI 专家路线图而言，开发者列出了任何学习路径所必不可少的一些要素，如论文和代码、版本控制、语义化版本控制和更新日志。但就具体选择上，开发者认为在学习 AI 时不应直接过渡到当前热门的技术——深度学习，而应步步为营，并提供了 3 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「王道」。
AI 专家路线图概览
这部分内容简要总结了 AI 专家路线图，并从以下几个方面着手讲解：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。这 5 部分内容都有详细的学习路线图，点击图表任意模块，都会链接到对应的内容。
一、数据科学家路线图
在数据科学家路线图中，我们可以了解到进行 AI 研究所需要的基础：矩阵和线性代数、数据库、表格数据、数据格式（JSON、XML、CSV）、正则表达式等等。
在统计学方面，该路线图涵盖了概率论、概率分布、估计、假设检验、置信区间、大数定律、蒙特卡罗方法等等。
在 Python 编程方面，该路线图展示了 Python 基础、比较重要的 Python 库以及所需运行环境等。
在数据来源方面，学习者点击「Awesome Public Datasets」图标，就可以链接到整理好的公共数据集等。接着过渡到可视化和探索性数据分析 / 转换 / 整理相关内容，最后进入到机器学习和数据工程师两个不同的方向。
二、机器学习路线图
机器学习路线图主要分为 4 大部分：基础概念、算法、用例以及所用工具。其中基础概念部分主要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；算法部分列举了 4 类算法：监督学习、无监督学习、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；所用工具部分则介绍了 scikit-learn、spacy 等工具。每部分内容都有对应的详细文档。
三、深度学习路线图
机器学习之后进入到了深度学习，这是第 1 条可选择学习路径的最后部分。深度学习路线图由 4 大部分组成：论文、神经网络、网络架构以及所用工具。论文部分提供了深度学习论文阅读路线图以及 SOTA 论文；神经网络部分提供了一篇详细介绍如何理解神经网络的博客文章；网络架构部分包括感知器、自动编码器、CNN、RNN；所用工具部分主要介绍了 TensorFlow 、PyTorch 等。最后给出建议：保持探索、与时俱进。
四、数据工程师路线图
在数据科学家路线图之后可以直接进入到数据工程师路线图，这是第 2 条可选择的学习路径。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、数据调研、数据湖和数据仓库以及如何使用 ETL 等多方面内容。
五、大数据工程师路线图
大数据工程师路线图是第 3 条可选择的学习路径，主要分为 3 部分内容：大数据架构、遵循的原则以及所用工具。大数据架构部分主要讲述了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 的区别等；所用工具则介绍了 Hadoop、Spark 等。
