人工智能技术进阶路线

人工智能初阶

数学基础

微积分
线性代数
朴素概率论
朴素统计学理论
朴素优化理论

编程基础

Python基础语法
Pandas基础操作
SQL基本操作
Spark基本操作
PyTorch基本操作
TensorFlow 2.x基本操作

传统表格化机器学习

传统模型及对应工具
- 线性回归
- 逻辑回归
- SVM
- KNN
- MLP
树和集成树模型
- Random Forest和Extra Trees
- XGBoost
- LightGBM
- CatBoost
常见特征构建方法
- 基于业务理解的特征构建方式
- 常见的encoder
- 常见的机遇探索性分析和Bad-Case分析方法构建模型
常见特征选择方法
- 基于单变量检验的选择方法
- 基于模型的自带选择方式(如树模型、线性回归、逻辑回归、L1损失等)
常见Stacking方法

CV基础

基本卷积神经网络的实现
图像分类经典模型
图像检测经典模型
图像分割经典模型

NLP基础

传统NLP模型
- Word Embedding
- LSTM
- TextCNN
预训练语言模型基础
文本分类
文本序列标注

RL基础

基本RL Q-learning和Policy Gradient算法

数学

高等概率论和数理统计
- 高等概率论
- 高等数理统计
- 随机过程
- 随机分析
统计学模型
- 计量经济学模型
- 统计学模型

人工智能中阶

编程

Cython和C++基础
OpenMP使用
TensorRT模型部署

深度学习应用

常见网络
- Transformer系列
- TabNet
推荐系统基础
- 传统模型协同过滤等
- 经典的深度学习模型(如xDeepFM)和后续进展
图网络基础

CV

更复杂的训练方法
- 学习率的调整和优化器的选择
- 不同backbone的结合
- 数据扩充的方法
OpenCV的使用
数据自动扩充方法
人脸识别
姿态估计
图像生成及GAN的使用
Encoder基础
Super Resolution及应用
OCR

NLP

更复杂的训练方法
- Transformer的拼接和其他语言模型的拼接
- 不同backbone的结合
- 文本数据扩充方法
Adversarial-training
文本生成
指代消解
实体链接
知识抽取和构建
阅读理解

RL

基本RL训练方法
Q-learning和Policy Gradient的提升
Exploration问题
Immitation Learning

人工智能高阶

数学基础

几何
- 拓扑向量空间
- Banach Lattice
- Vector Measures
- 再生核希尔伯特空间RKHS（Reproducing Kernel Hilbert Space）
- 微分和黎曼几何
- 动态系统
- 最优化传输理论
代数
- 基础代数
- 算子代数
- 谱理论
- K理论
概率论和统计学
- 随机分析及随机过程的收敛
- 马尔可夫链和稳定性
- 流行上的随机分析
- 巴拿赫空间上的概率论
- 高维统计基础
- 经验过程
- 贝叶斯理论基础
不等式
- 基础数学不等式
- 概率不等式
- 高级不等式证明技巧

编程基础

C++编程
- Template Meta Programming
- CPU调优
- GPU调优
- FPGA调优
深度学习框架深入
- TensorFlow XLA代码细节研究
- PyTorch XLA代码细节研究
- Jax/Flax代码细节研究及模型复现

AI通用进展

优化器及优化过程
神经网络架构搜索
- 可微分方法
- 基于增强学习的方法
encoder refinement 方法
- 基于Contrast Loss的预训练
- 基于Self Training的优化
表征学习的优化
- Triplet Loss and Online Triplet Mining
- 其他优化方法
Consistency Regularization
- Unsupervised Data Augmentation
- Adversarial Training Related Methods
Mixture of Experts
基础网络设计方式
- 普遍的layer设计trick，如Cascading、Pyramid Networks等
- 神经网络中的Sparse问题

CV前沿

Multi-object Tracking
基于视频、多模态和知识图谱的召回体系

NLP前沿

文本生成：如何结合模板和生成模型
知识图谱推理
Semantic Parsing和Syntax Parsing及其应用
使用RL对机器人状态进行控制

图模型和推荐系统前沿

传统问题向GNN的转换
不同图嵌入和预训练方法
图模型和推荐系统的关系

RL前沿

Model-based RL
Bayesian RL
提升模型样本利用率的方法
Distributed RL
Relational RL

Meta Learning

Few-shot Learning
- 基于优化的方法
- 基于贝叶斯的方法
Meta Reinforcement Learning

逻辑推理

Differentiable Neural Logic Machines
数理逻辑的理解
- 数理逻辑和Lambda calculus的关系
- Epistemic Logic

人工智能技术进阶路线相关推荐

人工智能技术，对智慧交通的发展带来巨大影响
2019-09-03 14:24:51 随着时代的进步,以及各种科技的不断发展,让我们的日常生活发生了巨大的变化,大数据技术和人工智能技术的广泛推广应用让我们的生活变得更加方便快捷,而以此为基础创建智 ...
【转】计算机人工智能技术纵览---入门部分
转自人工智能贴吧 http://tieba.baidu.com/p/2707182053?see_lz=1 我觉得讲的非常的通俗. --------------------------------- ...
赢在AI，人工智能技术体验
如今,AI 技术已经不再仅仅是科技企业创业创新的利器,而是全民竞相追逐并实践的热点.作为未来科技发展的重要方向和必然趋势,AI 技术将深入人们生活的方方面面.人工智能理论和技术日益成熟,应用范围也不断 ...
张钹院士：人工智能技术已进入第三代
来源:经济观察报近日,中科院院士.清华大学人工智能研究院院长张钹教授接受记者采访时认为,目前基于深度学习的人工智能在技术上已经触及天花板.从长远来看,必须得走人类智能这条路,最终要发展人机协同,人类 ...
【人工智能】2017年中国人工智能技术——智能语音应用报告
2016年是人工智能(AI)元年,智能语音技术作为AI应用最成熟的技术之一,在智能家居.智能车载.智能可穿戴领域有了迅猛发展. 鉴于此,科技巨头.初创公司纷纷从不同维度布局相关产业链,未来面向物联网的 ...
探索AI实践最优解，AISummit全球人工智能技术大会完美落幕
探索AI实践最优解,AISummit全球人工智能技术大会完美落幕北京时间2022年8月7日下午17:30,由51CTO精心策划以"驱动•创新•数智"为主题的AISummit全球人 ...
人工智能技术与自动驾驶,自动驾驶与人工智能
"新基建"背景之下,自动驾驶商业化曙光已来 . VIEWS本报记者王鹏杰自从3月4日政府召开工作会议,明确指出要加大公共卫生服务,应急物资保障领域投入,加快5G网络.数据中心等新 ...
HighNewTech：人工智能技术滥用之DeepNude技术(从下载致系统宕机→最后被禁用)而引发的AI道德底线的深度拷问—191017再次更新
High&NewTech:人工智能技术滥用之DeepNude技术(从下载致系统宕机→最后被禁用)而引发的AI道德底线的深度拷问-191017再次更新导读前段时间,火了一阵子的基 ...
计算机辅助工艺设计相关相接系统,计算机辅助工艺设计——人工智能技术ppt
PPT内容这是计算机辅助工艺设计--人工智能技术ppt,包括了计算机辅助工艺设计概念及发展简介,计算机辅助工艺设计内容,人工智能技术及其在CAPP中的应用,计算机辅助工艺设计发展方向等内容,欢迎点击 ...

人工智能技术进阶路线

人工智能初阶

数学基础

编程基础

传统表格化机器学习

CV基础

NLP基础

RL基础

数学

人工智能中阶

编程

深度学习应用

CV

NLP

RL

人工智能高阶

数学基础

编程基础

AI通用进展

CV前沿

NLP前沿

图模型和推荐系统前沿

RL前沿

Meta Learning

逻辑推理

人工智能技术进阶路线相关推荐

最新文章

热门文章