BWanger軟件開發達人
作為IT開發人員， 根據自己的經驗簡單的做了一下總結，分了兩大部分內容：
一、自然語言處理（NLP）
（1）、基礎
1、文本清洗（正則、分詞與規範化）；
2、中文分詞（HMM、trie tree、工具有jieba）
3、文法分析
4、詞袋模型（ngram）
5、關鍵詞抽取（tfidf、texttrank）
6、語義相似度（term、score、距離函數）
7、文本的向量化表示（word2vec(skip、gram、glove)、elmo、bert）
8、機器學習（lr、svm、bayesian、fast text、）
9、深度學習（textCNN、textRNN、seq2seq、siamese LSTM、DSSM、attention）
（2）、在實際項目中的應用
1、實體識別（應用：醫療智能、對話機器人）、（技術：CRF、bilstm-CRF、PCNN）、（擴展：知識圖譜、圖數據庫）
2、query相似變換（應用：sug、糾錯改寫）、（技術：elasticsearch 建庫索引）
3、文本分類（應用：情感識別、文章類型、意圖識別（樣本爬取）、語種檢測）
4、序列標註（機器翻譯、詞性標註）
5、文本生成（應用：詩歌對聯、摘要生成）、（技術：VAE、GAN）
6、聊天機器人（案例：百度anyQ）
二、圖像視覺處理（計算機視覺）
（1）、主要應用
1、主要應用：無人駕駛、醫療影像診斷、安防、人臉識別、視頻內容理解、圖像分類、圖像分割、目標檢測、目標跟蹤。
2、OpenCV
3、圖像分類（CNN、AlexNet、LeNet、VGG、ResNet、Fast-RCNN）
4、圖像檢索（距離度量與檢索、圖像特徵抽取、LSH近鄰檢索算法）
上面兩大內容中要學習的內容分為三個階段
第一階段：人工智能基礎。包括編程基礎：機器學習深度學習框架例如tensorflow/pytorch；數學基礎：高等數學，線性代數，概率論，統計學知識；機器學習基礎：決策樹，邏輯迴歸，聚類算法，支持向量機，集成學習；深度學習基礎：反向傳播，鏈式求導，卷積神技網絡，循環神經網絡等。
第二階段：算法在NLP領域的實踐應用。基礎的NLP任務：詞法分析，包括：分詞，詞性標註等；句法依存分析；語義表示與語言模型；命名實體識別；文本分類；文本生成；機器翻譯；信息檢索等。
第三階段：算法在CV領域的實踐應用。CV圖像處理的基礎，opencv的框架；同時也是基於cv領域應用最廣的幾種任務：圖像分類；語義分割；圖像目標檢測；目標跟蹤；序列分析。
恆臣
作為一名IT從業者，同時也是一名教育工作者，我來回答一下這個問題。
首先，人工智能知識體系非常龐大，從當前大的研究方向來看，劃分為計算機視覺、自然語言處理、知識表示、自動推理、機器學習和機器人學等六個大的研究領域，這些不同領域各自也有很多細分研究方向。
從學科體系來看，人工智能是一個非常典型的交叉學科，涉及到數學、計算機、控制學、經濟學、神經學、語言學和哲學等眾多學科，所以人工智能領域的人才培養也一直有比較大的難度，不僅知識量比較大，難度也比較高。由於當前人工智能領域的很多研發方向依然處在發展的初期，有大量的課題需要攻克，所以當前人工智能領域也彙集了大量的創新型人才。
從目前人工智能技術的落地應用情況來看，當前計算機視覺和自然語言處理這兩個方向已經有了眾多的落地案例，隨著大型科技公司紛紛推出自己的人工智能平臺，基於這些人工智能平臺可以與行業領域產生更多的結合，為行業領域採用人工智能技術奠定了基礎，同時也大幅度減低了人工智能的研發門檻。
從行業領域的發展趨勢來看，未來眾多領域都需要與人工智能技術相結合，智能化也是當前產業結構升級的重要訴求之一，在工業互聯網快速發展的帶動下，大數據、雲計算、物聯網等一眾技術的落地應用也會為人工智能技術的發展和應用奠定基礎。當前採用人工智能技術的行業主要集中在IT（互聯網）、裝備製造、金融、醫療等領域，未來更多的行業領域都會與人工智能技術相結合。
我從事互聯網行業多年，目前也在帶計算機專業的研究生，主要的研究方向集中在大數據和人工智能領域，我會陸續寫一些關於互聯網技術方面的文章，感興趣的朋友可以關注我，相信一定會有所收穫。
如果有互聯網、大數據、人工智能等方面的問題，或者是考研方面的問題，都可以在評論區留言，或者私信我！
IT人劉俊明
人工智能學習總體路線圖：
1.數據科學中統計學基礎
你要參加工作了可能沒有太多時間系統學習了，可以掌握數據分析挖掘需要用到的統計基礎就行了，以後慢慢補課咯，當然你的專業是統計相關專業就沒太大問題。
2.Python核心編程
這個市面上的Python書籍與視頻都差不多，建議看我的視頻做小項目可以迅速上手。
3.Python數據分析/數據挖掘
掌握NumPy、Pandas、Matplotlib等數據分析相關庫，以數據分析為發展方向的話重點掌握Pandas/Matplotlib，人工智能方向重點掌握NumPy。
4.機器學習
重點掌握sklearn機器學習庫，熟悉各種機器學習算法的優缺點與適用場合。
5.深度學習
重點掌握CNN/RNN以及常見變種，TensorFlow2/Keras/PyTorch框架。
6.計算機視覺/自然語言處理/語音技術中的一個方向
計算機視覺方面相對成熟，NLP方向是近期學術爆發的主要方向。
希望對你有所幫助！
