人工智能学习路径，核心知识点梳理

第一阶段：Python基础编程

预计：15天 技术点：97项

掌握的核心能力

1.掌握Python开发环境基本配置；2.掌握运算符、表达式、流程控制语句、数组等的使用；3.掌握字符串的基本操作；4.初步建立面向对象的编程思维；5.熟悉异常捕获的基本流程及使用方式；6.掌握类和对象的基本使用方式；7.掌握学生管理系统编写

可解决的现实问题

• 能够熟练使用Python技术完成针对小问题的程序编写

主要内容

第二阶段：Python高级和系统编程

预计：15天 技术点：123项

掌握的核心能力

1.熟练使用Linux操作系统及相关命令；2.掌握网络编程技术，能够实现网络通讯；3.掌握开发中的多任务编程实现方式；4.了解网络通讯协议及相关原理；5.熟练使用Mysql完成数据的增删改查，并能与Python进行交互；6.掌握Python中的高级语法及正则表达式；7.了解前端开发流程及基础编程技巧；8.掌握Web服务器的工作流程；9.掌握数据结构和算法思想，具备编程解决问题的能力

可解决的现实问题

•能够使用Python编写脚本程序解决基础应用问题 • 能利用数据结构和算法思想去解决实际问题 • 能够基于Linux操作系统理解与开发多任务的网络程序 • 能够使用python和mysql数据库进行交互

主要内容

第三阶段：机器学习

预计：24天 技术点：143项

掌握的核心能力

1.掌握数据科学库的使用；2.掌握数据基本处理的方法；3.掌握机器学习中处理数据的方法|4.理解机器学习基础算法原理；5.理解机器学习进阶算法原理；6.掌握集成学习算法原理；7.对实际工作中收集到数据进行数据可视化、基本分析，提取有价值信息；8.把实际工作、生活中遇到的问题转换为可以用机器学习解决的模型；9.实现针对不同问题，选择不同算法模型，同时在该模型的基础上，对该算法进行调优

可解决的现实问题

• 对实际工作中收集到数据进行数据可视化、基本分析，提取有价值信息 • 把实际工作、生活中遇到的问题转换为可以用机器学习解决的模型 • 实现针对不同问题，选择不同算法模型，同时在该模型的基础上，对该算法进行调优

主要内容

第四阶段：深度学习与图像与视觉处理（CV）

预计：22天 技术点：153项

掌握的核心能力

1.熟悉深度学习主要及前沿网络模型的架构原理及在实际业务场景中的应用；2.掌握深度学习在计算机视觉中的应用，包括但不限于分割检测识别等等；3.掌握实际工作中深度学习的具体流程，数据及标注处理，建模训练，及模型部署应用等；4.实现物体（人体，人脸，通用目标）检测，跟踪与识别，道路交通及工业环境险情发现等多领域的深度学习解决方案；5.能够对图像处理、人脸算法，或者对于各种深度学习框架实现的算法进行调优；6.可胜任深度学习算法工程师，图像与计算机视觉算法工程师等，并持续优化与迭代算法

可解决的现实问题

• 可实现物体（人体，人脸，通用目标）检测，跟踪与识别，道路交通及工业环境险情发现等多领域的深度学习解决方案 • 能够对图像处理、人脸算法等使用深度学习框架实现的算法进行调优 • 可胜任深度学习算法工程师，图像与计算机视觉算法工程师等，并持续优化和迭代算法

主要内容

第五阶段：深度学习与自然语言处理（NLP）

预计：22天 技术点：138项

掌握的核心能力

1.pytorch工具处理神经网络涉及的关键点；2.掌握NLP领域前沿的技术解决方案；3.掌握NLP相关知识的原理和实现；4.掌握传统序列模型的基本原理和使用；5.掌握非序列模型解决文本问题的原理和方案；6.能够使用pytorch搭建神经网络；7.构建基本的语言翻译系统模型；8.构建基本的文本生成系统模型；9.构建基本的文本分类器模型；10.使用ID-CNN+CRF进行命名实体识别；11.使用fasttext进行快速的文本分类；12.胜任多数企业的NLP工程师的职位

可解决的现实问题

• 能够使用pytorch搭建神经网络 • 构建基本的语言翻译系统模型 • 构建基本的文本生成系统模型 • 构建基本的文本分类器模型 • 使用ID-CNN+CRF进行命名实体识别 • 使用fasttext进行快速的文本分类 • 胜任多数企业的NLP工程师的职位

主要内容

人工项目

掌握以上五个阶段内容，可尝试项目实战课程，推荐可了解《智能交通CV项目》《实时人脸识别CV项目》等，项目线上体验 通过项目可掌握的核心能力

掌握大规模语料下AI模型快速进行文本分类的全流程 • 掌握多模型并行训练与多模型部署预测的全流程 • 掌握垂直领域AI对话系统的基本工程实现 • 掌握使用迁移学习方法进行句子审核及其句子主题相关问题的实现 • 掌握复杂场景下AI模型实时进行目标检测并跟踪的全流程 • 掌握利用AI模型进行人脸定位，检测，识别，匹配的工程实现方法 • 掌握多模型级联实现场景识别并进行模型部署的全流程

可解决的现实问题

•通过项目对机器学习、NLP、CV领域知识点综合应用 •通过项目综合提升AI算法业务流搭建能力 •通过项目综合提升AI算法实用性、先进性、可拓展性经验提升

第六阶段：算法进阶和面试强化

预计：10天 技术点：89项

掌握的核心能力

1.理解算法和模型的分布式实现及加速原理；2.深入理解常用算法，模式识别，概率统计、最优化等算法原理及应用；3.基于3D点云数据，进行配准、分割和特征识别等算法开发,建立3D点云图处理的算法模型；4.跟进行业最新深度学习算法相关先进技术，研究并应用的学习算法，持续提升模型的精准性和鲁棒性；5.深入理解算法和模型调优方式及优缺点；6.综合运用经典SLAM技术，多视角几何基础理论以及三维重建方法进行业务实践

可解决的现实问题

• 跟进行业最新深度学习算法相关先进技术，研究并应用的学习算法，持续提升模型的精准性和鲁棒性 • 深入理解算法和模型调优方式及优缺点 • 综合运用经典SLAM技术，多视角几何基础理论以及三维重建方法进行业务实践

主要内容