查阅了十几篇学习资源后，我总结了这份AI学习路径(2)

人工智能从业务视角可以分为感知能力、认知能力和服务能力三个层次，两大应用方向，如下：

人工智能技术视角，可以分为基础设施层、技术层和应用层。如下：

3.3.2 AI职位选择

通过上面两个图，基本了解AI涉及的领域及技术的总体架构，结合前面的当前互联网巨头的布局，可以看出，在未来，对于基础设施层和技术层，基本上由大公司来掌控和布局了，可发展和深入开发的空间相对较小，个人若想参与这些的研发，则需要从底层的技术和算法学起，要求很高。而在应用层，则会有更多的发展空间，利用 AI+行业 或 行业+AI 的模式，结合已有的AI基础设施和AI技术，可以做出更多的应用。这既是个人发展的机会，也是创业公司的机会。

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

对AI工程师做了分类，按垂直领域分：有语音识别，图像视觉，个性化推荐等业务领域的AI工程师。按从事研发内容分则有

• 1)AI 算法研究

这类人大都有博士学历，在学校中积累了较好的理论和数学基础积累，对最新的学术成果能较快理解和吸收。这里的理论是指比如语音处理，计算机视觉等专业知识。AI算法研究的人主要研究内容有 样本特征，模型设计和优化，模型训练。样本特征是指如何从给定的数据中构建样本，定义样本的特征，这在个性化推荐领域中就非常重要。模型设计和优化是设计新的网络模型，或基于已有的模型机型迭代优化，比如CNN网络模型中 AlexNet , GoogleNet v1/v2/v3, ResNet等新模型的不断出现，另外就是比如模型剪枝，在损失5%计算精度情况下，减少80%计算量，以实现移动终端的边缘计算等等。模型训练是指训练网络，如何防止过拟合以及快速收敛。

• 2)AI 工程实现

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：ASP站长网）