摘要: 探索GitHub上备受关注的AI学习路线图:AI-Expert-Roadmap,学习基础知识、Python编程、数据资源、数据处理和更多。加入我们的AI社区,了解人工智能软件的发展之路。
以下是基于您提供的原文内容进行改写和优化的文章,以便提高在搜索引擎的排名:
在研究了许多回答后,终于有机会谈谈 GitHub 上备受关注的 AI 学习路线图:AI-Expert-Roadmap,该路线图已获得13.7k星标。
学习 AI 专家之路
从这张路线图上,我们可以看出,完成“基础知识”(Fundamentals)的学习后,你可以选择自己的发展路径。
左边有数据科学家(Data Scientist)、机器学习(Machine Learning)、深度学习(Deep Learning),但不能直接从基础知识跳跃到深度学习。右边则是数据工程师(Data Engineer)和大数据工程师(Big Data Engineer)。
那么,“基础知识”包括什么内容呢?
从大类来看,主要包括基础知识、Python 编程、数据资源、探索性数据分析和数据整理。
让我们更详细地了解“基础知识”包括什么。
矩阵和线性代数、数据库基础、表格数据、数据帧和数据系列、数据提取、转换和加载过程、报告/商业智能/分析的区别、数据格式以及正则表达式。
实际上,“基础知识”涵盖了大量与数据相关的内容,包括各种数据类型的理解和数据处理方法。数学部分主要涉及矩阵和线性代数的知识。
具备这些基础后,您可以学习 Python 编程知识。有关数据资源的网站已经提供了一些建议,然后您可以利用这些数据来学习数据处理的方法。
接下来是“数据科学家”的学习路径,也可以按大类来分,主要包括统计学知识和数据可视化。
统计学知识涵盖了概率理论、连续分布、离散分布、假设检验、置信区间、蒙特卡洛等等。
数据可视化涉及到部分编程软件的学习。
接下来是“机器学习”和“深度学习”的学习路径。我相信通过掌握上述知识,您应该已经具备了对后续学习路径的一些理解。
如何开始——阅读书籍/参加课程?
学习新事物可能是从零开始,毕竟跨越领域有时确实像跨越山脉。我将按照上述学习路线提供我的学习建议。
基础知识
对于“基础知识”中的“基础知识”,除了数学知识外,其他内容可以在学习 Python 编程时顺便学习。关于数学知识,我建议参加一些课程,该路线图中提供了 Khan Academy 的线性代数课程的链接。当然,您也可以在 B 站找到一些关于线性代数的课程。
关于 Python 编程,除了可能需要熟悉两个重要的库,即 Numpy 和 Pandas。
现在有很多 Python 学习资源,您可以在当当书店购买相关书籍,也可以在 B 站找到许多免费网络课程。如果想参加付费课程,我推荐老男孩的 Python 课程,我自己参加过,授课很不错。
![](https://huluwaai.com/wp-content/uploads/2024/05/1715943925-文章顶部banner带二维码.jpg)
相关文章
终身版AI工具
![](https://huluwaai.com/wp-content/uploads/2024/05/1715944041-终身版海报0517.jpg)