BWanger软件开发达人
作为IT开发人员， 根据自己的经验简单的做了一下总结，分了两大部分内容：
一、自然语言处理（NLP）
（1）、基础
1、文本清洗（正则、分词与规范化）；
2、中文分词（HMM、trie tree、工具有jieba）
3、文法分析
4、词袋模型（ngram）
5、关键词抽取（tfidf、texttrank）
6、语义相似度（term、score、距离函数）
7、文本的向量化表示（word2vec(skip、gram、glove)、elmo、bert）
8、机器学习（lr、svm、bayesian、fast text、）
9、深度学习（textCNN、textRNN、seq2seq、siamese LSTM、DSSM、attention）
（2）、在实际项目中的应用
1、实体识别（应用：医疗智能、对话机器人）、（技术：CRF、bilstm-CRF、PCNN）、（扩展：知识图谱、图数据库）
2、query相似变换（应用：sug、纠错改写）、（技术：elasticsearch 建库索引）
3、文本分类（应用：情感识别、文章类型、意图识别（样本爬取）、语种检测）
4、序列标注（机器翻译、词性标注）
5、文本生成（应用：诗歌对联、摘要生成）、（技术：VAE、GAN）
6、聊天机器人（案例：百度anyQ）
二、图像视觉处理（计算机视觉）
（1）、主要应用
1、主要应用：无人驾驶、医疗影像诊断、安防、人脸识别、视频内容理解、图像分类、图像分割、目标检测、目标跟踪。
2、OpenCV
3、图像分类（CNN、AlexNet、LeNet、VGG、ResNet、Fast-RCNN）
4、图像检索（距离度量与检索、图像特征抽取、LSH近邻检索算法）
上面两大内容中要学习的内容分为三个阶段
第一阶段：人工智能基础。包括编程基础：机器学习深度学习框架例如tensorflow/pytorch；数学基础：高等数学，线性代数，概率论，统计学知识；机器学习基础：决策树，逻辑回归，聚类算法，支持向量机，集成学习；深度学习基础：反向传播，链式求导，卷积神技网络，循环神经网络等。
第二阶段：算法在NLP领域的实践应用。基础的NLP任务：词法分析，包括：分词，词性标注等；句法依存分析；语义表示与语言模型；命名实体识别；文本分类；文本生成；机器翻译；信息检索等。
第三阶段：算法在CV领域的实践应用。CV图像处理的基础，opencv的框架；同时也是基于cv领域应用最广的几种任务：图像分类；语义分割；图像目标检测；目标跟踪；序列分析。
恒臣
作为一名IT从业者，同时也是一名教育工作者，我来回答一下这个问题。
首先，人工智能知识体系非常庞大，从当前大的研究方向来看，划分为计算机视觉、自然语言处理、知识表示、自动推理、机器学习和机器人学等六个大的研究领域，这些不同领域各自也有很多细分研究方向。
从学科体系来看，人工智能是一个非常典型的交叉学科，涉及到数学、计算机、控制学、经济学、神经学、语言学和哲学等众多学科，所以人工智能领域的人才培养也一直有比较大的难度，不仅知识量比较大，难度也比较高。由于当前人工智能领域的很多研发方向依然处在发展的初期，有大量的课题需要攻克，所以当前人工智能领域也汇集了大量的创新型人才。
从目前人工智能技术的落地应用情况来看，当前计算机视觉和自然语言处理这两个方向已经有了众多的落地案例，随着大型科技公司纷纷推出自己的人工智能平台，基于这些人工智能平台可以与行业领域产生更多的结合，为行业领域采用人工智能技术奠定了基础，同时也大幅度减低了人工智能的研发门槛。
从行业领域的发展趋势来看，未来众多领域都需要与人工智能技术相结合，智能化也是当前产业结构升级的重要诉求之一，在工业互联网快速发展的带动下，大数据、云计算、物联网等一众技术的落地应用也会为人工智能技术的发展和应用奠定基础。当前采用人工智能技术的行业主要集中在IT（互联网）、装备制造、金融、医疗等领域，未来更多的行业领域都会与人工智能技术相结合。
我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。
如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信我！
IT人刘俊明
人工智能学习总体路线图：
1.数据科学中统计学基础
你要参加工作了可能没有太多时间系统学习了，可以掌握数据分析挖掘需要用到的统计基础就行了，以后慢慢补课咯，当然你的专业是统计相关专业就没太大问题。
2.Python核心编程
这个市面上的Python书籍与视频都差不多，建议看我的视频做小项目可以迅速上手。
3.Python数据分析/数据挖掘
掌握NumPy、Pandas、Matplotlib等数据分析相关库，以数据分析为发展方向的话重点掌握Pandas/Matplotlib，人工智能方向重点掌握NumPy。
4.机器学习
重点掌握sklearn机器学习库，熟悉各种机器学习算法的优缺点与适用场合。
5.深度学习
重点掌握CNN/RNN以及常见变种，TensorFlow2/Keras/PyTorch框架。
6.计算机视觉/自然语言处理/语音技术中的一个方向
计算机视觉方面相对成熟，NLP方向是近期学术爆发的主要方向。
希望对你有所帮助！
