人工智能技术视角，可以分为基础设施层、技术层和应用层。如下：
3.3.2 AI职位选择
通过上面两个图，基本了解AI涉及的领域及技术的总体架构，结合前面的当前互联网巨头的布局，可以看出，在未来，对于基础设施层和技术层，基本上由大公司来掌控和布局了，可发展和深入开发的空间相对较小，个人若想参与这些的研发，则需要从底层的技术和算法学起，要求很高。而在应用层，则会有更多的发展空间，利用 AI 行业 或 行业 AI 的模式，结合已有的AI基础设施和AI技术，可以做出更多的应用。这既是个人发展的机会，也是创业公司的机会。
文章《腾讯云总监手把手教你，如何成为 AI 工程师》:
https://cloud.tencent.com/developer/article/1004751
对AI工程师做了分类，按垂直领域分：有语音识别，图像视觉，个性化推荐等业务领域的AI工程师。按从事研发内容分则有
- 1)AI 算法研究
这类人大都有博士学历，在学校中积累了较好的理论和数学基础积累，对最新的学术成果能较快理解和吸收。这里的理论是指比如语音处理，计算机视觉等专业知识。AI算法研究的人主要研究内容有 样本特征，模型设计和优化，模型训练。样本特征是指如何从给定的数据中构建样本，定义样本的特征，这在个性化推荐领域中就非常重要。模型设计和优化是设计新的网络模型，或基于已有的模型机型迭代优化，比如CNN网络模型中 AlexNet , GoogleNet v1/v2/v3, ResNet等新模型的不断出现，另外就是比如模型剪枝，在损失5%计算精度情况下，减少80%计算量，以实现移动终端的边缘计算等等。模型训练是指训练网络，如何防止过拟合以及快速收敛。
- 2)AI 工程实现
这类人主要提供将计算逻辑，硬件封装打包起来，方便模型的训练和预测。比如：- 精通Caffee/TensorFlow等训练框架源码，能熟练使用并做针对性优化；- 构建机器学习平台，降低使用门槛，通过页面操作提供样本和模型就能启动训练；- 通过FPGA实行硬件加速，实现更低延时和成本的模型预测；- 在新模型验证完成后，实现在线平滑的模型切换。
- 3)AI 应用
侧重验证好的模型在业务上的应用，常见语音识别，图像视觉，个性化推荐。当然这也包括更多结合业务场景的应用，比如终端网络传输带宽的预测，图片转码中参数的预测等等。
综上所述，在选择职位和方向时，除非有比较好的数学和算法基础，建议从AI应用层面来选择，会更容易入手，发展机会更大。
本章的参考资料：
- 文章，如何系统学习知识图谱：https://blog.csdn.net/hadoopdevelop/article/details/79455758
- 文章，腾讯云总监手把手教你，如何成为 AI 工程师： https://cloud.tencent.com/developer/article/1004751
4 基础知识
要学习人工智能，免不了要学习算法，学习算法，则需要数学基础。而在具体计算过程中很多时候需要矩阵计算，因此线性代数知识也是需要。对于数据的分类，分析等，还需要有概率和统计。很多时候人工智能追求的就是最优化问题，举个粟子，BP神经网络使用的权重迭代变化，计算当前权重值离最优值的函数为损失函数，迭代过程中通过求导来确定调大还是调小，这个求导得到的函数就是梯度，而这个迭代的过程就是梯度下降，在这个过程中，微积分知识也少不了。在学习过程中，经常会遇到需要查看的论文了解原理，或者查阅一些英文资料，因此英文知识也是需要的。以上，总结来说，需要以下几大基础知识：
- 线性代数:标量、向量、矩阵/张量乘法、求逆，奇异值分解/特征值分解，行列式，范数等
- 概率与统计:贝叶斯、期望与方差、协方差、概率分布(0-1分布、二项分布、高斯分布)、独立性与贝叶斯、最大似然和最大后验估计等
- 高等数学:微积分、链式法则、矩阵求导、线性优化、非线性优化(凸优化/非凸优化)以及其衍生的如梯度下降、牛顿法等
- 英文:常备一个在线英文词典，能够不吃力的看一些英文的资料网页
以下是一些参考资料：
- 书籍，《线性代数应该这样学》，Sheldon Axler
- 书籍，《概率论与数理统计》，陈希孺
- 书籍，《数学分析新讲》三册，张筑生
- 书籍，《深入浅出统计学》， Dawn Griffiths
- 书籍，《统计学习方法》，李航
- 书籍，《矩阵分析与应用》，张贤达
- 文章，《机器学习理论篇1：机器学习的数学基础》： https://zhuanlan.zhihu.com/p/25197792
5 编程语言
当前人工智能开发使用的最多的当属 python 了，当然， java ， c ， matlab 和 R 也有不少。刚开始学习，直接选择 python 即可。对于编程语言的学习，一个字，练。直接上机操作，主要分几个模块的学习，python基础（语法，函数，数组，类等等），python常用的库，python的机器学习库。以下是一些 pyhton 的学习资料以供参考：
- 教程，《廖雪峰Python教程》： https://www.liaoxuefeng.com/wiki/1016959663602400
- 教程，《Python100例》： https://www.runoob.com/python/python-100-examples.html
- 文章，《从零开始写Python爬虫》： https://zhuanlan.zhihu.com/p/26673214
- 视频，《零基础入门学习Python》： https://www.bilibili.com/video/av4050443
6 机器学习知识
6.1 机器学习算法
需要明确，当前人工智能技术中，机器学习占据了主导地位，但不仅仅包括机器学习，而深度学习是机器学习中的一个子项。目前可以说，学习AI主要的是学习机器学习，但是，人工智能并不等同于机器学习。具体到机器学习的流程，包括数据收集、清洗、预处理，建立模型，调整参数和模型评估。基础则是机器学习的基本算法，包括回归算法，决策树、随机森林和提升算法，SVM，聚类算法，EM算法，贝叶斯算法，隐马尔科夫模型，LDA主题模型等等。这些网上已经有不少机器学习的教程，学习非常方便，在搜索引擎一搜索，机器学习的文章也非常多，只要坚持下去，结合后面的实践，学习应该不成问题。以下是一些参考资料：
- 书籍，《机器学习实战》，Peter Harrington
- 书籍，《机器学习》，周志华
- 书籍，《机器学习导论》，Ethen Alpaydin
- 书籍，《机器学习基础：从入门到求职》胡欢武
- 书籍，《数据之美》，吴军
- 视频，《machine learning》吴恩达： https://www.coursera.org/learn/machine-learning
- 视频，《李宏毅机器学习2017》李宏毅: http://t.cn/RpO3VJC
- 文章，《机器学习Machine-Learning》： https://github.com/JustFollowUs/Machine-Learning
6.2 机器学习框架
了解机器学习的算法，还需要有一定的工具来实现，好在现在已经有很多工具可以使用，如tensorflow，Keras，Theano，matlab等等，现在tensoflow是机器学习的热门框架，入门可以深入学习它。以下是一些参考资料
- 书籍，《TensorFlow实战》，黄文坚
- 书籍，《Tensorflow：实战Google深度学习框架》，郑泽宇
- 视频，《Tensorflow教程》莫烦： http://t.cn/RTuDxFT
6.3 数据集选择
"巧妇难为无米之炊"，使用机器学习来进行项目实践时，如果没有数据，就更不用说模型训练了。因此，获取数据集来做测试数据也是一个比较重要的工具，好在现在网上有不少的数据集可以获取，参考资料如下：
- 手写数字库MNIST: http://yann.lecun.com/exdb/mnist
- 图像处理数据COCO: http://mscoco.org
- 机器学习经典开源数据集: https://www.jianshu.com/p/83ebd261862a
- 机器学习数据集哪里找: https://www.jianshu.com/p/abce3d177e45
