AI技术人才成长路线图.pdf

AI技术人才成长路线图V1.0AI技术人才成长路线图 V1.0电话：(86)10-51661202地址：北京市朝阳区酒仙桥路10号院恒通商务园B8座二层   100015     网址：csdnLmJOEE 1AI 技术人才成长路线图V1.0 版版权声明 AI 人才技术成长路线图 V1.0 版由 CSDN 创作，并受法律保护。转载、摘编或利用其他方式使用本路线图，应注明出处来源。  2AI 技术人才成长路线图 编委会出品单位：CSDN总策划：蒋涛  孟岩  孟迎霞顾问：智亮主编：胡永波编写组：何永灿  谷磊  周翔美术设计：纪明超  张虓数据合作伙伴：猎聘网特邀专家组陈开江希为科技 CTO陈孝良声智科技创始人兰红云   自然语言处理技术入门与实践图书作者林荟   套路！机器学习：北美数据科学家的私房课图书作者刘少山 PerceptIn 联合创始人刘文志商汤科技高性能计算部门负责人刘昕中科视拓 CEO吴金龙 爱因互动合伙人张相於 转转推荐算法部负责人（注：排名不分先后，按姓氏拼音排序）3“深度学习本质上是一种新的编程形式”*企业 AI应用的优先级：盈利  >“黑科技”AI人才市场需求剧增：技术岗位占比 3年猛增 3倍，人才缺口将持续增大AI人才需求结构呈金字塔型，研究型人才主要依靠学校及学术路线培养，应00用型人才则必须依靠社会培训和继续教育补充AI工程师要打牢编程基础，软件工程师转型 AI要“换脑”*注：语出前 AAAI主席Thomas Dietterich4目录AI人才市场新发现 / 3                    AI优先：盈利 > “黑科技”/ 5          AI人才市场数据及现状/ 8AI学习的两种方式/ 13学院派代表人物及其成长路径分析 / 13学院派代表人物及其成长路径分析 / 18AI人才成长十大路线/ 23路线 1：机器学习算法工程师 / 25路线 2：数据科学家 / 26路线 3：异构并行计算工程师 / 27 小结：AI 基础岗位必读 / 28 路线 4：语音识别工程师 / 30路线 5：计算机视觉工程师 / 31路线 6：自然语言处理工程师 / 32路线 7：知识图谱工程师 / 33小   结：AI 技术层岗位必读 / 34路线 8：推荐系统工程师 / 36路线 9：对话系统工程师 / 37路线 10：自动驾驶工程师 / 38小   结：AI 应用岗位必读 / 39一线工程师拥抱AI必备/ 41非技术人员学AI必读/ 44深度学习是新时代的软件开发/ 47联系我们/ 485AI 优先：盈利 > “黑科技”6看得见的“AI优先”Google让你看见了这些明星成员：Jeff Dean、Geoffrey Hinton、Samy Bengio 、Quoc Le、Ian Goodfellow 、Franois Chollet 、Chris Lattner 、David Patterson公开产品：TensorFlow、Google Cloud TPU研究成果：258 篇论文，Zero Shot、 seq2seq、 Net2Net、 Word2vec、 WaveNet、 DeepMath、 Attention、 Capsule、 DeepDream、 DeepVariant混合研究方式：在好奇心驱动与应用驱动的研究之间取得动态平衡超过80%的Google内部软件项目都在使用机器学习（#MadeWithAI）：Google Photos、Google Translate 、Google Lens、Gmail & Inbox、Google Maps、Google Allo、Google Assistant、YouTube、Pixel BudsGoogle Brain 是整个行业“ AI 优先”的急先锋。耀眼的明星成员、夺人眼球的 AI“黑科技”，一次又一次地站到了媒体聚光灯的中央。在看得见的地方， Google Brain 有明星科学家，有公开发布的产品，有大量影响深远的研究成果但它真正的能力却是驱动 Google 的产品向 AI 进化。7Google没让你看见这些2015 年，YouTube 开始采用 Google Brain 的无监督学习采用前，YouTube 在 2014 年总营收 40 亿美元，空有 10 亿用户却无法实现净利 *采用后，YouTube 的 2015 年营收当即翻番，达 90 亿美元左右 *目前，在移动平台上，平均每个用户每天看 YouTube 视频的时间超过 1 小时；YouTube 成为 Google 营收增长的最大动力之一“Google Brain所带来的财富，足以抵消Google为整个X部门所做的投入之总和” Astro Teller ， Google X 总监* 注：数据来自投资机构的分析，因为 Google 对 YouTube 具体的营收数字始终讳莫如深。看不见的“AI优先”8AI 人才供不应求一线岗位需求旺盛9AI人才招聘增长近8倍，技术岗位占比增长3倍多人工智能在一线业务中发展，离不开数据和AI算法方面的技术人才根据猎聘统计， 2017年AI 技术类工程师的招聘量是 2014年的 8.8倍，数据类工程师的招聘量则是 2014年的 5.9倍，而全部 IT技术岗位的招聘量仅为2014年的 2.65倍。与此相对，在 2014年， AI类工程师和数据类工程师在全部技术岗位中的占比分别是 2.97%和 7.86%，这一数字到 2017年分别涨到9.86%和 17.59%；人工智能相关岗位在技术人才招聘中的总比例从10.83%涨到27.45%，是技术岗位中增幅最大的领域。数据来源：猎聘1010年经验：AI工程师年薪140万，IT工程师不到55万人工智能相关岗位需求强劲，人才薪酬数字亮眼根据猎聘统计，在学历方面，数据类岗位与 AI类岗位薪酬不相上下，其中 AI类博士的年薪上限接近 95万元，数据类硕士的薪酬表现超过 AI类硕士；在薪酬方面， AI类工程师上升曲线显著， 10年以上经验的 AI工程师年薪高达 140万元；相对来说，数据类工程师的上升曲线更趋近 IT类工程师的均值，说明数据类岗位的成熟度更高一些。数据来源：猎聘11AI工程师平均年薪远超IT工程师根据猎聘统计， 2016 年以来公开发布的招聘岗位中， IT 工程技术类人员的平均年薪为 17.92 万，而 AI 领域知识图谱方向工程师的最高年薪可达 43.42 万，其平均年薪也高达 34.06 万，接近 IT 工程技术类的两倍。在 AI 细分领域中，除了计算机视觉类平均年薪 27.81 万，其他方向薪资均在 30 万元以上。数据来源：猎聘IT 工程技术类 数据类 机学习类 语音识别类 计算机视觉类 自然语言处理类 知识图谱类平均年薪（万元）12机器学习/深度学习算法工程师最为紧缺根据 CSDN 2017年中国开发者大调查数据显示，人工智能相关岗位中，“机器学习/深度学习算法工程师”占比最高，为29%，其次是占比 22%的“数据科学家 /数据分析师 /数据挖掘工程师”，算法类和数据类岗位需求之和占了总需求的一半。算力方面，高性能计算工程师占比 11%；细分技术上，计算机视觉、语音识别、自然语言处理等类别的需求分别为 13%、 6%、 9%。数据来源：CSDN  2017 中国开发者大调查知识图谱工程师机器学习 / 深度学习算法工程师数据科学家 / 数据分析师 / 数据挖掘工程师高性能并行计算工程师计算机视觉 / 图像识别 /图像处理工程师语音识别 / 语音合成工程师自然语言处理工程师其他13AI人才需求结构呈金字塔型“学院派”路线孕育出能力上乘的领军者1430多年积蓄行业势能深度学习的缔造者们苦心孤诣四十余载从事AI三十多年起于2000年1998年遇名师Geoffrey Hinton深度学习“教父”“大脑是如何工作的？”反向传播算法、对比散度算法CS321, UofTYann LeCunCNN 之父“机器应学会理解世界”OCR、MNIST、CNNDeep Learning, NYU李飞飞 “改变整个领域研究方向的数据集”“理解视觉就是在理解智能”Caltech101、ImageNetCS231n, Stanford吴恩达“Google cat”吹响 AI 优先的号角“人工智能是新的电力革命”Google Brain、Coursera深度学习专项课程1510年掌控深度学习AI行业的年轻一代OpenAI苹果Facebook AmazonRuss Salakhutdinov深度学习概念、贝叶斯程序学习多伦多大学2005 年师从 G.E. HintonIan GoodfellowGAN蒙特利尔大学2010 年师从 Yoshua Bengio贾扬清CaffeUC Berkeley2009 年师从 Trevor Darrell李沐MXNetCMU2012 年师从 Alex Smola16十年树木：深度学习人才案例Andrej Karparthy2017 年 6 月起 AI 总监 Tesla 自动驾驶2016 年至今 研究科学家  OpenAI 深度学习、生成模型、强化学习2015 年夏 实习生  DeepMind 深度强化学习                 2013 年夏  实习生 Google Research 用于视频的大规模有监督深度学习2011 年2015 年 计算机科学博士（师从李飞飞） 斯坦福大学 深度学习、计算机视觉、自然语言处理2011 年夏 实习生 Google Research  用于视频的大规模无监督深度学习2009 年2011 年 硕士生  不列颠哥伦比亚大学  用于实体模拟形象的学习控制器2005 年2009 年 本科 多伦多大学 计算机科学和物理学双学士17从30年到10年，专业路径培育了AI人才金字塔的领军者数学基础概率论线性代数微积分凸优化统计机器学习计算机基础Python/C+Linux/ShellCUDA分布式计算理论入门神经元模型激活函数损失函数训练方法梯度的消失溢出实战入门掌握深度学习框架研读代码复现 Benchmark改进方法进阶经验充足的数据熟练的编程实现能力充裕的 GPU 资源创新的方法深度学习前沿新的网络结构新的优化方法新的学习技术新的数据集AI 专家学者机器学习博士资深数据科学家AI 和机器学习工程师专业学习路径内容出自 CSDN 特邀专家刘昕，中科视拓 CEO18AI人才需求结构呈金字塔型“实战派”方法培养出AI技术雄兵19普及机器学习的实战派代表deeplearning.ai fast.ai Udacity Machine Learning Mastery吴恩达2017全方位 MOOC + 证书Coursera, 机器学习 MOOC（2012 ）斯坦福大学，Google Brain ，百度Jeremy Howard2016实战入门 MOOCKaggle（2010 ）Enlitic，奇点大学，世界经济论坛Siraj Raval 2017入门 MOOC + Udacity 纳米学位Decentralized Applications（2016 ）Twilio, MeetupJason Brownlee2013实战学习材料 + 实战方法软件工程师，数据科学家澳大利亚国家气象局20机器学习真的可以速成吗？Jason Carter* 注：Jason Carter 转型 AI 前有软件工程师背景，学习过程详见 towardsdatascience/4-months-of-machine-deep-learning-89f6ab56a2fd第1个月第2个月第3个月第4个月Fast.ai 深度学习第一部分（开始）Fast.ai 深度学习第一部分（完成） Fast.ai深度学习 第二部分（开始 +暂停）吴恩达机器学习课程：Coursera （完成）Fast.ai 深度学习第二部分（开始）尝试 Kaggle 竞赛从零开始打造深度学习框架 MNIST 对抗挑战（500px 面试项目实践）DataCamp 职业培训营：数据科学家与Python（开始）DataCamp 职业培训营：数据科学家与Python（完成）Capstone：构建并部署端到端深度学习产品（开始）分享经验：中级 本地 AI 研讨会（一般讨论）分享经验：中级  本地 AI 研讨会（AI 讲座与小组讨论）分享经验：中级 本地深度学习研讨会（TensorFlow 与 Kubernetes）分享经验：中级21从10年到4个月，实战方法培养出AI技术雄兵数学知识会矩阵运算用导数计算梯度先验、后验概率深度学习入门吴恩达机器学习课程Stanford - CS229实战工具PythonTensorFlow数据MNISTCIFARImageNetCOCO运行第一个模型实战路径学习内容出自 CSDN 顾问专家智亮，TinyMind 总经理AI 专家学者机器学习博士资深数据科学家AI 和机器学习工程师AI 产品经理AI 系统架构师应用开发者数据工程师运维人员行业人员22深度学习是一种新的编程形式深度学习已死，可微分编程万岁！现在人们正在将各种各样的参数化函数模块组装起来，以构建一种使用神经网络的新软件，并采用某种基于梯度的优化来把它们训练出来，这跟普通的程序相当类似。Yann LeCun，Facebook AI 研究院主管23AI入门两种方法AI进阶十大路线24数学入门数学分析线性代数概率论凸优化本地 AI 研讨会 统计机器学习计算机基础Python、C+LinuxCUDA 编程应用岗位推荐系统工程师对话系统工程师自动驾驶工程师会矩阵运算用导数计算梯度先验、后验概率吴恩达机器学习课程PythonTensorFlow机器学习算法工程师数据科学家异构并行计算工程师语音识别工程师计算机视觉工程师自然语言处理工程师知识图谱工程师专业路径基础岗位334实战路径技术岗位AI进阶10大路线AI技术人才成长路线总图：入门方法与进阶方向25特邀专家：张相於，转转推荐算法部负责人路线 1：机器学习算法工程师26路线 2：数据科学家特邀专家：林荟，套路！机器学习：北美数据科学家的私房课图书作者27路线 3：异构并行计算工程师特邀专家：刘文志，商汤科技高性能计算部门负责人28总结：AI基础岗位必读机器学习算法工程师吴恩达机器学习课程： coursera/learn/machine-learning/机器学习基石Learning from Data   work.caltech.edu/telecourse.html统计学习导论  -bcf.usc.edu/gareth/ISL/Elements of Statistical Learning   web.stanford.edu/hastie/ElemStatLearn/Elements of Information Theory   elementsonformationtheory/朴素贝叶斯和逻辑回归    cs.cmu.edu/tom/mlbook/NBayesLogReg.pdf数据科学家MIT 数据科学的数学话题   ocw.mit.edu/courses/mathematics/18-s096-topics-in-mathematics-of-data-science-fall-2015/数据科学的 15 门数学 MOOC  kdnuggets/2015/09/15-math-mooc-data-science.html理解统计推断  socialresearchmethods/kb/statinf.php如何将贝叶斯定理、概率和统计结合起来     springboard/blog/probability-bayes-theorem-data-science/十大常用数据挖掘算法   kdnuggets/2015/05/top-10-data-mining-algorithms-explained.html用于学习的 19 个公共数据集   springboard/blog/free-public-data-sets-data-science-project/31 种数据可视化工具   springboard/blog/31-free-data-visualization-tools/29AI基础岗位必读关于高性能计算（异构并行计算）驱动深度学习发展的两大关键因素是计算力和数据。我认为，计算力的进步不是我们被动等待就能实现的。回顾 Adam Coates 和我的深度学习生涯，我们的许多成功都要归功于当初对可用计算力的积极投资。例如，在 2008 年，我们就启动了我所知道的第一个基于 CUDA/GPU 的深度学习任务； 2011 年，我创立了 Google Brain 深度学习小组，并率先采用云服务来加持深度学习的计算力，拉开了整个行业拥抱深度学习的序幕； 2013 年，Adam Coates 等人实现了第一个高性能计算风格的深度学习系统，计算能力一下子上升了 1 到 2 个数量级。对于不熟悉高性能计算的人，它相比于云计算，是一套相当不同的工具 /人群 /会议 /方法，能给我们的计算力带来巨大提升。我们认为，高性能计算与大规模数据的结合，将会带来深度学习的下一个重大增长点。 吴恩达，2015 年 Reddit AMA30路线 4：语音识别工程师特邀专家：陈孝良，声智科技创始人31路线 5：计算机视觉工程师特邀专家：刘昕，中科视拓 CEO32特邀专家：兰红云，自然语言处理技术入门与实践图书作者路线 6：自然语言处理工程师33路线 7：知识图谱工程师内容参考：北京知识图谱学习小组、Lean Semantic Web、知识图谱技术综述等34计算机视觉工程师Stanford Vision Lab - vision.stanford.eduCS 131 Computer Vision: Foundations and Applications  - vision.stanford.edu/teaching/cs131_fall1617/index.htmlCS231n: Convolutional Neural Networks for Visual Recognition - cs231n.stanford.eduCS231A: Computer Vision, From 3D Reconstruction to Recognition - web.stanford.edu/class/cs231a/Computer Vision: A Modern Approach - cmuems/excap/readings/forsyth-ponce-computer-vision-a-modern-approach.pdfComputer Vision: Algorithms and Applications - szeliski/Book/drafts/SzeliskiBook_20100903_draft.pdfComputer Vision: Models, Learning, and Inference - computervisionmodels/语音识别工程师解析深度学习：语音识别实践Automatic Speech and Speaker Recognition: Large Margin and Kernel MethodsSpoken Language Processing: A Guide to Theory, Algorithm and System DevelopmentSpeech and Language Processing（ CS224S - web.stanford.edu/class/cs224s/） / 书  - web.stanford.edu/jurafsky/slp3/ ed3book.pdfSpeech at CMU - speech.cs.cmu.eduHTK Speech Recognition Toolkit - htk.eng.cam.ac.uk/Kaldi: 开源语音识别工具箱 - kaldi-asrCNTK - microsoft/en-us/cognitive-toolkit/AI技术层岗位必读35AI技术层岗位必读CS224n: Natural Language Processing with Deep Learning - web.stanford.edu/class/cs224n/Natural Language Processing with Python - nltk/book/（视频：youtube/playlist?list=PLQVvvaa0QuDf2JswnGkliBInZnIC4HL）自然语言处理综论英文版 - web.stanford.edu/jurafsky/slp3/统计自然语言处理Python 自然语言处理知识图谱工程师自然语言处理工程师Introducing the Knowledge Graph: things, not strings - googleblog.blogspot.no/2012/05/introducing-knowledge-graph-things-not.htmlKnowledge Graph - youtube/playlist?list=PLOU2XLYxmsII2vIhzAyW6eouf62ur2Z2q知识图谱技术综述  - xml-data/dzkj-nature/html/201645589.htmLean Semantic Web - github/baojie/leansemanticweb北京知识图谱学习小组 - github/memect/kg-beijing知识图谱怎样入门？  - zhihu/question/5236882136特邀专家：陈开江，希为科技 CTO路线 8：推荐系统工程师37特邀专家：吴金龙，爱因互动合伙人路线 9：对话系统工程师38特邀专家：刘少山，PerceptIn 联合创始人路线 10：自动驾驶工程师39关于对话系统检索型单轮机器人（FQA-Bot）涉及到的技术和信息检索类似。因为 query 和候选答案包含的词都很少，所以会利用同义词和复述等技术对query 和候选答案进行扩展和改写知识图谱型机器人（KG-Bot，也称为问答系统），利用知识图谱进行推理并回答一些事实型问题。知识图谱通常把知识表示成三元组 ( 主语、关系、宾语 ) ，其中关系表示主语和宾语之间存在的某种关系任务型多轮机器人（Task-Bot）通过多次与用户对话交互来辅助用户完成某项明确具体的任务。除了与语音交互的 ASR 和 TTS 部分，它的流程还包括语言理解（SLU）、对话管理（DM）和自然语言产生（NLG）闲聊机器人（Chitchat-Bot）通常使用机器翻译中的深度学习 seq2seq 框架来产生答复。与机器翻译不同的是，对话中用户本次 query 提供的信息通常不足以产生合理的答复，对话的历史背景信息同样很重要AI应用岗位必读推荐系统工程师Coursera Recommender Systems 专项课程 - coursera/specializations/recommender-systemsItem-Based Collaborative Filtering Recommendation Algorithms - ra.ethz.ch/cdstore/10/papers/pdf/p519.pdfThe Netix Recommender System: Algorithms, Business Value, and Innovation - delivery.acm/10.1145/2850000/2843948/a13-gomez-uribe.pdfDeep Neural Networks for YouTube Recommendations - research.google/pubs/pub45530.html40AI应用岗位必读自动驾驶入门测试题基于传感器融合的空间定位技术基础知识：Android 编程涉及技术点：时间同步、GPS 定位、IMU 位置跟踪、特征点提取、立体视觉步骤：第一步，取原数据：写一个 ANDROID 程序实时获取当前 GPS 数据， IMU 数据，以及图片数据，在每个数据上打精准时间戳（入门难度）第二步，根据原数据推算出每个图片的位置信息（中等难度）第三步，把每个图片的特征点提取出来，估算出每个特征点的粗略位置（进阶难度）41一线工程师拥抱 AI 必备42AI工作中所用的深度学习框架CSDN 2017年中国开发者大调查数据显示， Google的TensorFlow毫无疑问是大家使用量最大的深度学习框架，使用比例高达37% ；此外，Facebook的 Caffe也有 12%的使用比例， Torch/PyTorch为 11%。值得一提的是 Keras等上层封装更好的开发环境，在新手中颇受欢迎，第二季度便已超过 Torch，大有赶超 TensorFlow的劲头。数据来源：CSDN  2017 中国开发者大调查TensorFlowCaffeTorch/PyTorchTheanoMXNetPaddle PaddleKeras 等43AI工作中所用的算法与模型据 CSDN 2017年所做的中国开发者大调查数据显示，传统机器学习方法使用量接近2/3。其中，有监督的线性分类、决策树占比 29%，无监督的分层聚类、聚类分析、关联规则学习、异常检测占比 21%，还有占比为 13%的贝叶斯方法。而最新的生成模型、强化学习、迁移学习方法使用量也有14%，表现出一定的热度。模型使用方面，当前大热的CNN类、RNN类模型占比45%，多用于线性分类的支持向量机占比 12%；另外，未做进一步细分的传统模型及最新模型占比竟达到 35%，说明具体的 AI工作几无定式。数据来源：CSDN  2017 中国开发者大调查CNN/IGNRNN/LSTM/GRU/NTMDRNGAN/wGANSVM自编码机 /VAE其他模型其他方法迁移学习强化学习生成模型异常检测关联规则学习聚类分析分层聚类贝叶斯决策树线性分类44非技术人员学 AI 必备45非技术人员学AI：产品经理要弄懂技术原理和功能浅层学习及其功用学习的工具深度学习及其功用预测CNN分类PythonTensorFlowKeras聚类RNN特征选取特征提取线性回归、回归树最邻近算法图像识别视频分析自然语言处理药物发现AlphaGo语音识别机器翻译时间序列预测机器人控制音乐生成逻辑回归、分类树SVM、朴素贝叶斯K-means、分层聚类仿射传播、DBSCAN方差阈值、相关性阈值遗传算法、逐步搜索主成分分析、线性判别分析自编码机46非技术人员学AI：普通人要弄清AI大潮的来龙去脉47深度学习已死，可微分编程万岁  by Yann LeCun深度学习本质上是一种新的编程形式可微分编程  by Thomas Dietterich可微分编程  by David Dalrymple“Software 2.0”   by Andrej Kaparthy深度学习是新时代的软件开发48中国人工智能产业路线图联合发布2017-2018 V1.0关注“AI科技大本营”回复“产业路线图”下载2017-2018中国人工智能产业路线图全本回复“技术路线图”下载AI技术人才成长路线图全本AI技术人才成长路线图V1.0AI技术人才成长路线图 V1.0电话：(86)10-51661202地址：北京市朝阳区酒仙桥路10号院恒通商务园B8座二层   100015     网址：csdn 2017-2018 中国人工智能产业路线图：人工智能浪潮来袭，企业应该怎么办？本路线图从 AI 基础资源、 AI 基础技术以及 AI 技术主要应用领域等方面着手，基于十多位特邀业内专家的支持及众多的实际案例调研，探索不同行业的企业智能化升级的路径，并首次提出了AIMM企业智能化成熟度模型，希望成为中国企业实现 AI 转型的有益参考。 AI 技术人才成长路线图：人工智能浪潮来袭，开发者应该怎么办？ CSDN 重磅推出的 AI 技术职业指南。基于10 多位专家的切身经验，我们提炼出入门 AI 的两大方式与进阶 AI 的 10 大路线。同时结合 AI 人才的需求结构与人才市场现状，我们想告诉大家人工智能就是新一代的软件开发，值得每一个技术人用心投入。AI技术人才成长路线图V1.0AI技术人才成长路线图 V1.0电话：(86)10-51661202地址：北京市朝阳区酒仙桥路10号院恒通商务园B8座二层   100015     网址：csdnLmJOEE