AI学习路线（从上到下依次学习即可）

1.人工智能开发入门

1. Python编程：基本语法、数据结构、函数、面向对象、多任务、模块与包、闭包、装饰器、迭代器
2. Numpy矩阵运算：Nadrray、Scalars、Boradcasting、矩阵运算、矩阵转置、矩阵求逆
3. Scipy数值运算库：基本使用、常量、稀疏矩阵、图结构、空间、插值
4. Pandas数据科学库：自带数据结构、数据读写、清洗、计算、合并、排序
5. Matplotlib：基础图表、Annotation、Figure、子图、Legend
6. Seaborn：数据关系图、分布图、类别图、回归图、矩阵图、多变量关系
7. PyEcharts：基本使用、图表API、组合图表、图表类型、Web框架整合

2.机器学习核心技术

1. Scikit Learn：聚类算法API、数据预处理、分类/回归算法API
2. 分类算法：决策树、KNN、Adaboost、随机森林、逻辑回归、朴素贝叶斯、GBDT、XGboost、LightGBM
3. 回归算法：线性回归、Lasso回归、决策树回归、随机森林回归、XGboost回归
4. 聚类算法：KMeans、KMeans++、GMM、层次聚类、密度聚类、DBSCAN
5. 属性降维：特征选择、因子分析、PCA、ICA、LDA
6. 模型选择：Metrics Scoring、Grid search、Cross Validation、超参数选择、Validation curves
7. 特征工程：标准化、归一化、非线性转化、高斯分布转化、正则化、类别性编码处理

3.深度学习核心技术

1. 人工神经网络：损失函数、激活函数、Back Propagation、优化方法及正则化
2. BP神经网络：网络结构、正向计算、链式法则、权重更新、Sigmoid函数、梯度消失/爆炸、Batch Normalization
3. CNN卷积神经网络：局部感受野、权值共享、DropOut、卷积层、池化层、全连接层
4. RNN循环神经网络：梯度裁剪、BiLSTM、LSTM、GRU

4.NLP自然语言处理技术

1. Pytorch编程：定义损失函数、自动微分、优化器、模型结构
2. 传统序列模型：隐马尔科夫模型、条件随机场、CRF与HMM区别
3. Transfomer原理：编码器、解码器、注意力机制、语言模型、超参数、模型验证
4. 文本预处理：处理方法、张量表示、语料分析、数据增强、命名实体识别
5. Word Embedding词嵌入
6. RNN及变体：传统RNN、LSTM、Bi-LSTM、GRU、Bi-GRU
7. Seq2Seq
8. 迁移学习：FastText、预训练模型（BERT、GPT、GPT-2）、权重微调

5.CV计算机视觉技术

1. OpenCV图像处理：图像读写、灰度/几何变换、形态学、纹理分割、视频操作、边缘检测、特征检测与描述
2. Tensorflow编程：张量、变量、高阶API、tf.data、tf.keras
3. 目标分类：卷积计算、多通道卷积、AlexNet、VGG、ResNet、ImageNet分类
4. 目标检测：RCNN、FPN、SSD、ROI Pooling、FasterRCNN、NMS
5. 目标分割：全卷积、ROI Align、DeepLab、MaskRCNN、金字塔池化模块、语义分割评价标准

6.面试相关算法及专题

1. 数据结构：栈、树、图、数组、链表、哈希表
2. 常见算法：排序、查找、链表算法、动态规划、二叉树、递归、贪心、图算法、队列算法
3. 机器学习&深度学习：分类/聚类/回归算法专题、深度学习基础专题
4. NLP & CV面试专题：深度学习与NLP专题、深度学习与CV专题