GitHub AI 学习路线图：AI-Expert-Roadmap详解

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。