查阅了十几篇学习资源后，我总结了这份AI学习路径

这类人主要提供将计算逻辑，硬件封装打包起来，方便模型的训练和预测。比如：- 精通Caffee/TensorFlow等训练框架源码，能熟练使用并做针对性优化；- 构建机器学习平台，降低使用门槛，通过页面操作提供样本和模型就能启动训练；- 通过FPGA实行硬件加速，实现更低延时和成本的模型预测；- 在新模型验证完成后，实现在线平滑的模型切换。

• 3)AI 应用

侧重验证好的模型在业务上的应用，常见语音识别，图像视觉，个性化推荐。当然这也包括更多结合业务场景的应用，比如终端网络传输带宽的预测，图片转码中参数的预测等等。

综上所述，在选择职位和方向时，除非有比较好的数学和算法基础，建议从AI应用层面来选择，会更容易入手，发展机会更大。

本章的参考资料：

• 文章，如何系统学习知识图谱:

  https://blog.csdn.net/hadoopdevelop/article/details/79455758

• 文章，腾讯云总监手把手教你，如何成为 AI 工程师:

  https://cloud.tencent.com/developer/article/1004751

要学习人工智能，免不了要学习算法，学习算法，则需要数学基础。而在具体计算过程中很多时候需要矩阵计算，因此线性代数知识也是需要。对于数据的分类，分析等，还需要有概率和统计。很多时候人工智能追求的就是最优化问题，举个粟子，BP神经网络使用的权重迭代变化，计算当前权重值离最优值的函数为损失函数，迭代过程中通过求导来确定调大还是调小，这个求导得到的函数就是梯度，而这个迭代的过程就是梯度下降，在这个过程中，微积分知识也少不了。在学习过程中，经常会遇到需要查看的论文了解原理，或者查阅一些英文资料，因此英文知识也是需要的。以上，总结来说，需要以下几大基础知识：

• 线性代数:标量、向量、矩阵/张量乘法、求逆，奇异值分解/特征值分解，行列式，范数等

• 概率与统计:贝叶斯、期望与方差、协方差、概率分布(0-1分布、二项分布、高斯分布)、独立性与贝叶斯、最大似然和最大后验估计等

• 高等数学:微积分、链式法则、矩阵求导、线性优化、非线性优化(凸优化/非凸优化)以及其衍生的如梯度下降、牛顿法等

• 英文:常备一个在线英文词典，能够不吃力的看一些英文的资料网页

以下是一些参考资料：

• 书籍，《线性代数应该这样学》，Sheldon Axler

• 书籍，《概率论与数理统计》，陈希孺

• 书籍，《数学分析新讲》三册，张筑生

• 书籍，《深入浅出统计学》， Dawn Griffiths

• 书籍，《统计学习方法》，李航

• 书籍，《矩阵分析与应用》，张贤达

• 文章，《机器学习理论篇1：机器学习的数学基础》：

  https://zhuanlan.zhihu.com/p/25197792

（编辑：西安站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!