不要上手就學深度學習！超詳細的人工智慧專家路線圖

2020-11-04 機器之心Pro

機器之心報導

機器之心編輯部

這個學習路線圖幾乎涵蓋了人工智慧領域的所有內容，點點滑鼠，就能連結所需知識。

想從事人工智慧領域的研究，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，這些方法可能作用並不是很大，卻消耗了大量的時間和金錢。

這時，一種提綱式的學習途徑就顯得尤為重要了。如果你想成為數據科學家、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、簡單易懂的人工智慧專家路線圖。

這是一家德國軟體公司 AMAI GmbH 近期發布的 GitHub 項目——AI 專家路線圖（AI-Expert-Roadmap）。該路線圖幾乎涵蓋了 AI 領域所有的知識點，並且每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為 AI 領域的佼佼者。該項目上線短短幾天，已經收穫了 2.1k 星。

項目地址：https://github.com/AMAI-GmbH/AI-Expert-Roadmap

亮點多多的 AI 專家路線圖

對學習者非常友好的是，這份 AI 專家路線圖是一個互動版本。每個子模塊所列內容都可以連結到指定網站，學習者可以找到詞條的維基百科或其他來源的釋義和拓展內容。此外，如果有新的研究出現時，該路線圖會隨時更新。

該路線圖旨在給學習者提供關於人工智慧的整體概念，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先進、最熱門的技術。這是因為在科研中，每個人都需要了解哪種工具最適合自己。換言之，最先進、最熱門的技術不一定是最適合的。

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，開發者認為在學習 AI 時不應直接過渡到當前熱門的技術——深度學習，而應步步為營，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→…

循序漸進才是「王道」。

AI 專家路線圖概覽

這部分內容簡要總結了 AI 專家路線圖，並從以下幾個方面著手講解：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 部分內容都有詳細的學習路線圖，點擊圖表任意模塊，都會連結到對應的內容。

數據科學家路線圖

在數據科學家路線圖中，我們可以了解到進行 AI 研究所需要的基礎：矩陣和線性代數、資料庫、表格數據、數據格式（JSON、XML、CSV）、正則表達式等等。

在統計學方面，該路線圖涵蓋了概率論、概率分布、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，該路線圖展示了 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，就可以連結到整理好的公共數據集等。接著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同的方向。

機器學習路線圖

機器學習路線圖主要分為 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常用的概念、梯度下降、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。每部分內容都有對應的詳細文檔。

深度學習路線圖

機器學習之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之後可以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，主要分為 3 部分內容：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；遵循的原則包括資料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。

參考連結：https://i.am.ai/roadmap/#data-science-roadmap

相關焦點

  • 不要上手就學深度學習!超詳細人工智慧專家路線圖,GitHub2.1k星
    如果你想成為數據科學家、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、簡單易懂的人工智慧專家路線圖。這是一家德國軟體公司 AMAI GmbH 近期發布的 GitHub 項目——AI 專家路線圖（AI-Expert-Roadmap）。該路線圖幾乎涵蓋了 AI 領域所有的知識點，並且每個知識點都有詳細的文檔。
  • 不要上手就學深度學習!超詳細的人工智慧專家路線圖,GitHub數天獲2...
    這時，一種提綱式的學習途徑就顯得尤為重要了。如果你想成為數據科學家、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、簡單易懂的人工智慧專家路線圖。這是一家德國軟體公司 AMAI GmbH 近期發布的 GitHub 項目——AI 專家路線圖（AI-Expert-Roadmap）。
  • 學習人工智慧太難？這裡有份快速入門的GitHub高星學習路線
    學習人工智慧的時候，如果發現找不到合適的學習方法，那麼一份簡單而又清晰明了的學習路線此時就顯得十分重要。現在，德國軟體公司AMAI GmbH在GitHub平臺發布了一份學習路線圖。上線不久，該學習路線就收到了5.4k星的高度評價。
  • Python實現深度學習386頁《Python深度學習》下載
    但是，想要將深度學習技術部署到它能解決的所有問題上，就需要讓儘可能多的人接觸這門技術，其中包括非專家，即既不是研究人員也不是研究生的那些人。想要讓深度學習充分發揮其全部潛能，就需要徹底推廣給大眾。書中包含30多個代碼示例，有詳細的注釋、實用的建議和簡單的解釋。知道這些你就可以開始用深度學習來解決具體問題了。由於本書立足於人工智慧的可達性和大眾化，讀者無須具備機器學習相關背景知識即可展開閱讀。
  • 推薦這7本深度學習自學書，小白也能變專家
    書中包含30多個代碼示例，步驟講解詳細透徹。由於本書立足於人工智慧的可達性和大眾化，讀者無須具備機器學習相關背景知識即可展開閱讀。在學習完本書後，讀者將具備搭建自己的深度學習環境、建立圖像識別模型、生成圖像和文字等能力。
  • 如何巧用Python實現深度學習？| 386頁《Python深度學習》下載
    但是，想要將深度學習技術部署到它能解決的所有問題上，就需要讓儘可能多的人接觸這門技術，其中包括非專家，即既不是研究人員也不是研究生的那些人。想要讓深度學習充分發揮其全部潛能，就需要徹底推廣給大眾。書中包含30多個代碼示例，有詳細的注釋、實用的建議和簡單的解釋。知道這些你就可以開始用深度學習來解決具體問題了。由於本書立足於人工智慧的可達性和大眾化，讀者無須具備機器學習相關背景知識即可展開閱讀。
  • 人工智慧與深度學習線上入門課程
    人工智慧和深度學習最近幾年確實是整個世界的熱點，也是當前和未來高薪就業的一個主要行業，這幾年除了嵌入式和物聯網授課及項目外，人工智慧方面的項目也大量的出現在我的實際項目環節中，所以這幾年也摸索出了人工智慧的學習方法和一些經驗，也利用自己的業餘之間整理出來大量的案例和課件，並已經在近幾年的教學中得到了很好的應用。
  • 人工智慧與機器學習與深度學習有什麼區別
    因此，人工智慧是一個涵蓋機器學習和深度學習的通用領域，但還包括許多不涉及任何學習的方法。人工智慧與機器學習與深度學習有什麼區別https://www.aaa-cg.com.cn/data/2607.html它們的本質很簡單：與經典算法不同，經典算法是一組清晰的指令，這些指令將輸入的數據轉換為結果，而基於數據示例和相應結果的機器學習會發現數據中的模式，並產生將任意數據轉換為所需結果的算法。
  • 《人工智慧》雜誌「深度學習」主題出版！洞察人工智慧第三次浪潮的前世今生
    該雜誌為雙月刊，聚焦人工智慧領域，每期重點圍繞「一個主題」，邀請業界專家發表見解和研究成果。2020年6月的《人工智慧》雜誌主題是：深度學習——洞察人工智慧第三次浪潮的前世今生。本期邀請了28位撰稿人，發表了精彩的文章。
  • 2020 AI專家成長路線圖
    想要成為數據科學家、機器學習專家、深度學習專家、數據工程師、大數據工程師等，應該從何入手，又應該學習那些技術和知識呢？近期GitHub一個名為【AI專家成長路線圖】項目給出了答案。關注圖靈TOPIA公眾號，回復 「AI路線圖 」 即可獲取資源下載。
  • 人工智慧,機器學習和深度學習之間的差異是什麼?
    如果你在科技領域，你經常會聽到人工智慧，機器學習，甚至是深度學習。怎樣才可以在正確的時間正確的使用這些詞?他們都是一樣的意思嗎?然而更多時候，人們總是混淆的使用它們。 人工智慧，機器學習和深度學習都是屬於一個領域的一個子集。但是人工智慧是機器學習的首要範疇。機器學習是深度學習的首要範疇。
  • 機器學習、數據科學、人工智慧、深度學習和統計學之間的區別
    這些概念的區別也一直是人工智慧領域熱烈討論的一個話題，Quora、多個技術博客都曾有過解答。機器之心之前編譯的一篇文章《人工智慧、機器學習、深度學習，三者之間的同心圓關係》也對此問題進行了探討。機器學習 vs 深度學習在深入探討數據學習與機器學習之間的區別前，我們先簡單討論下機器學習與深度學習的區別。機器學習一系列在數據集上進行訓練的算法，來做出預測或採取形同從而對系統進行優化。
  • 重啟人工智慧:當深度學習遇上知識圖譜
    所謂「流行的東西不起作用」部分指的是深度學習，而「我們需要做什麼」部分指的是對人工智慧採取更全面的方法。Marcus 並不缺乏野心。他決意要重新啟動人工智慧。而且他也不缺資歷。從孩提時代起，他就或多或少地致力於探索智能的本質，無論是人工智慧還是其他智能。
  • 機器學習、數據科學、人工智慧、深度學習和統計學之間的區別!
    作者：Vincent Granville，來源：機器之心 在本文中，數據科學家與分析師 Vincent Granville 明晰了數據科學家所具有的不同角色，以及數據科學與機器學習、深度學習、人工智慧、統計學、物聯網、運籌學和應用數學等相關領域的比較和重疊。
  • 重啟人工智慧：當深度學習遇上知識圖譜
    所謂「流行的東西不起作用」部分指的是深度學習，而「我們需要做什麼」部分指的是對人工智慧採取更全面的方法。Marcus 並不缺乏野心。他決意要重新啟動人工智慧。而且他也不缺資歷。從孩提時代起，他就或多或少地致力於探索智能的本質，無論是人工智慧還是其他智能。由於深度學習被視為目前人工智慧領域最成功的子領域，對深度學習的質疑可能聽起來頗具爭議。Marcus 的批評始終如一。
  • 浪潮AI算法優化高級專家將深入講解超參數優化算法在深度學習模型應用中的「暴力美學」| 公開課預告
    8月26日，浪潮元腦專場將正式開啟，第1講為深度學習超參數優化公開課。這一講將由浪潮AI算法優化高級專家於彤主講，主題為《超參數優化算法在深度學習模型應用中的「暴力美學」》。超參數，一般是指一個算法模型中無法使用常規優化手段直接優化的部分，例如XGBoot中的n_estimators、邏輯回歸的正則化係數等。
  • ARM首次公布CPU路線圖;OPPO將率先商用TOF技術;英特爾收購深度學習公司Vertex.AI
    英特爾收購深度學習公司Vertex.AI，整合入AI部門據科技博客TechCrunch北京時間8月17日報導，英特爾公司想要把更多人工智慧(AI)技術整合到各項業務中，該公司在周四宣布收購深度學習創業公司Vertex.AI。
  • 打破開發壁壘,2020深度學習開發者峰會百度飛槳認證PPDE分享開源收穫
    人工智慧時代，開源開放是重要發展方向，人工智慧開源開放平臺正在成為各行業創新的底層基礎。12月20日，由深度學習技術及應用國家工程實驗室與百度聯合主辦的WAVE SUMMIT+ 2020深度學習開發者峰會召開。
  • 人工智慧的機器學習和深度學習
    人工智慧的機器學習和深度學習在機器智能向更大的深度神經網絡發展的過程中，已經有許多開發者在使用keras/tensorflow作為api了。可以利用這些api，像自然語言處理、特徵提取等等。問題所在在於：新的api不能滿足新的研究需求。
  • 2020下半年，值得關注的10本機器學習、深度學習好書
    計算機、網際網路以及人工智慧等相關技術的發展，給我們生活帶來了很多便利。本文聚焦於人工智慧背後的機器學習和深度學習技術，為你推薦10本好書，從入門到進階，總有一款適合你。在前版基礎上，進一步增加了對神經網絡和深度學習的原理介紹及其工程應用的實踐。