5.0
关注
AI SCORE
编程提效2025-01-20 02:51
2025 年转向 AI 开发者的职业路线图
DEV Community · Oleg Dubovoi#职业规划#AI开发
Editor brief · 编辑速览
职业建议类文章，指导程序员如何进入 AI 开发领域。内容可能较为泛泛，具体实践价值因人而异。
职业建议类文章，指导程序员如何进入 AI 开发领域。内容可能较为泛泛，具体实践价值因人而异。
如今，人工智能无处不在。从聊天机器人到自动驾驶汽车，AI 驱动着当今许多最酷的技术。如果你曾想过如何进入这个激动人心的领域，那么你来对地方了。在本指南中，我将介绍如何开启成为 AI 开发者的旅程。
你需要选择一门编程语言，并学习它的基础知识。
分步骤的编程语言学习计划：
不要急于学习编程。循序渐进地学习理论，并通过实践加以巩固。编写几个个人小项目，确保自己真正掌握了所学知识。
适合初学者的 50 个软件开发项目创意
数学和统计学对 AI 开发者非常重要，因为它们有助于理解 AI 的工作原理。创建和改进模型需要数学知识，它能让模型运行得更好、更快。统计学则有助于研究数据、发现模式并进行预测。
学习向量、矩阵和矩阵运算。它们是神经网络的基本组成部分。例如，神经网络中的权重就是用矩阵表示的。
什么是线性代数？
3Blue1Brown 的 YouTube 系列课程
线性代数轻松入门
它们对于理解 AI 模型如何进行预测和处理不确定性至关重要。你将使用以下概念：
面向数据科学与 AI 的概率论和统计学
使用 Python 掌握概率论与统计学
贝叶斯定理：信念变化的几何学
虽然并非每位 AI 开发者每天都会使用微积分，但要理解神经网络等模型如何通过优化（梯度下降）进行学习，微积分必不可少。重点学习：
微积分的本质
面向机器学习的微积分
AI 建立在数学基础之上，但不要因此感到畏惧！开始学习 AI 并不要求你掌握所有数学知识。只要循序渐进，你的能力就会逐步提升。
推荐观看这门优秀的 YouTube 课程：机器学习数学教程
机器学习（ML）是 AI 的一个分支，旨在让计算机和机器模仿人类的学习方式，自主执行任务，并通过积累经验和接触更多数据来提高性能与准确性。
机器学习需要向机器提供大量数据，使其能够学习并进行预测、发现模式或对数据进行分类。机器学习主要分为三种类型：监督学习、无监督学习和强化学习。
无监督学习
强化学习
监督学习、无监督学习与强化学习的对比
你应该了解的 3 种机器学习类型
对于任何想进入机器学习领域的人来说，理解关键算法的基本原理都至关重要。下面列出了一些基础算法，它们构成了解决各种机器学习问题的基础：
什么是线性回归？
机器学习中的线性回归
机器学习中的决策树
支持向量机（SVM）算法
K 近邻（KNN）算法
10 种机器学习算法
机器学习中最重要的算法
我建议你阅读 Andriy Burkov 的两本书：《百页机器学习》和《机器学习工程》。
要构建 AI 系统，你需要熟练使用流行的 AI 框架和工具。这些工具可以简化机器学习模型的构建、训练和部署过程。
语言：主要与 Python 配合使用；针对特定应用，还支持 C++、JavaScript（通过 TensorFlow.js）、Java、Go 和 Swift。
TensorFlow 是由 Google 开发的开源深度学习框架。它被广泛用于构建和部署机器学习及深度学习模型，尤其适合生产级应用。TensorFlow 具有灵活性和可扩展性，并提供了一套覆盖端到端机器学习工作流的完整生态系统。
TensorFlow 官方文档
TensorFlow：Python 深度学习神经网络
语言：Python，对 C++ 的支持有限。
PyTorch 由 Facebook 开发，也是一个开源深度学习框架。它凭借自身的灵活性和动态计算图深受研究人员和学术界青睐，并能让实验和调试变得更加容易。
PyTorch 官方文档
使用 PyTorch 进行深度学习
Keras 是一个高级神经网络 API，专为快速原型开发和易用性而设计。它运行在 TensorFlow 之上，简化了神经网络的构建、训练和部署过程。Keras 非常适合初学者，以及希望快速实现深度学习模型的开发者。
Keras 官方文档
使用 Python、TensorFlow 和 Keras 学习深度学习基础
Scikit-learn 是一个强大的经典机器学习库。它提供了数据预处理、分类、回归、聚类、降维和模型评估等工具。无论是初学者，还是处理传统机器学习问题的专业人士，Scikit-learn 都非常适合。
Scikit-learn 官方文档
Scikit-Learn 教程：掌握机器学习
在将数据输入 AI 模型之前，对其进行清洗和准备以供分析至关重要。原始数据通常包含不一致、缺失值或噪声。预处理可以确保数据集干净、结构清晰并可供使用。
机器学习中的数据预处理：步骤与最佳实践
数据预处理综合指南
EDA 可以帮助你了解数据内部的结构、模式和关系，从而指导模型构建过程。
什么是探索性数据分析（EDA）？
完整的 Python Pandas 数据科学教程
Matplotlib 完整 Python 课程：数据科学基础
当处理规模庞大、超出传统工具能力范围的数据集时，使用大数据框架至关重要。
这些工具对于涉及 Web 规模数据的应用至关重要，例如社交媒体分析、推荐系统或欺诈检测。在这些应用中，数据集的规模可能从 TB 级延伸至 PB 级。
Apache Spark 教程
Apache Spark 与 Databricks：主要区别
AI 和数据科学家路线图
最优秀的人工智能（AI）书籍
AI 尽在掌握：Nvidia 的 3,000 美元超级计算机改变一切
如今，人工智能无处不在。从聊天机器人到自动驾驶汽车，AI 支撑着我们这个时代最酷的技术。如果你曾经想过如何进入这个令人兴奋的领域，那么你来对地方了。在这份指南中，我将介绍如何开启成为 AI 开发者的旅程。
你需要选择一门编程语言，并掌握它的基础知识。
Python：即使对初学者来说，也易于阅读和编写。（推荐）
Java：适用于企业级和大规模系统中的 AI 开发。
C++：常用于对性能要求较高的 AI 应用，例如游戏和机器人技术。
R：如果你对数据分析和统计学感兴趣，可以选择它。
学习编程语言的分步计划：
作者建议 💡
不要急于学习编程。循序渐进地掌握理论，并通过实践巩固知识。尝试编写几个个人项目，从而确认自己真正掌握了所学内容。
Top 50 Software Development Project Ideas [适合初学者]
数学和统计学对 AI 开发者非常重要，因为它们有助于理解 AI 的工作原理。数学用于创建和改进模型，使其运行得更快、更准确。统计学则有助于研究数据、发现规律并进行预测。
理解向量、矩阵和矩阵运算。它们是神经网络的基本构件。例如，神经网络中的权重就是以矩阵形式表示的。
What Is Linear Algebra?
3Blue1Brown’s YouTube series
Gentle Introduction to Linear Algebra
你需要这些知识来理解 AI 模型如何进行预测以及如何处理不确定性。以下概念会很有帮助：
概率分布。
Probability And Statistics For Data Science & AI
Mastering Probability and Statistics in Python
Bayes theorem, the geometry of changing beliefs
并非每位 AI 开发者每天都要用到微积分，但如果不了解它，你就无法理解神经网络等模型如何通过优化（梯度下降）进行学习。重点关注：
The essence of calculus
Calculus for Machine Learning
作者建议 💡
AI 建立在数学基础之上，但不要因此感到害怕！开始学习 AI 并不需要掌握全部数学知识。只要循序渐进，你就能逐步提升自己的能力。
可以看看 YouTube 上这门优秀的课程：Mathematics for Machine Learning Tutorial
机器学习（ML）是 AI 的一个分支，旨在让计算机和机器模拟人类的学习过程、自主执行任务，并通过积累经验和处理大量数据来提高性能与准确性。
机器学习的基本方式是向机器提供大量数据，使其能够从中学习并进行预测、发现规律或对数据进行分类。机器学习分为三种类型：监督学习、无监督学习和强化学习。
Supervised Learning（监督学习）：模型使用带标签的数据进行学习，例如预测房价。
Unsupervised Learning（无监督学习）：模型从无标签数据中发现规律，例如客户细分。
Reinforcement Learning（强化学习）：模型通过反复试错进行学习，例如训练机器人行走。
Unsupervised Learning
Reinforcement Learning
Supervised vs Unsupervised vs Reinforcement Learning
3 Types of Machine Learning You Should Know
对于任何想进入机器学习领域的人来说，理解关键算法的基本原理都至关重要。以下是许多 ML 问题解决方案所依赖的基础算法：
Linear Regression（线性回归）：通过线性关系预测连续值。
Decision Trees（决策树）：根据决策条件将数据划分为不同的组。
Support Vector Machines（SVM，支持向量机）：通过最大化间隔对数据进行分类。
K-Nearest Neighbors（KNN，K 近邻算法）：根据距离最近的数据点进行预测。
What is linear regression?
Linear Regression in Machine learning
Decision Tree in Machine Learning
Support Vector Machine (SVM) Algorithm
K-Nearest Neighbor(KNN) Algorithm
10 Types of Machine Learning Algorithms
The Most Important Algorithm in Machine Learning
作者建议 💡
推荐阅读 Andriy Burkov 的两本书：The Hundred-Page Machine Learning Book 和 Machine Learning Engineering。
要构建 AI 系统，你需要熟悉主流的 AI 框架和工具。它们能够简化机器学习模型的创建、训练和部署流程。
语言：主要与 Python 搭配使用；针对特定任务，也支持 C++、JavaScript（通过 TensorFlow.js）、Java、Go 和 Swift。
TensorFlow 是 Google 开发的开源深度学习框架。它被广泛用于创建和部署机器学习与深度学习模型，尤其适用于生产级环境。TensorFlow 具有灵活性和可扩展性，并为端到端 ML 流水线提供了完整的生态系统。
TensorFlow 的 Official documentation
TensorFlow - Python Deep Learning Neural
语言：Python，对 C++ 的支持有限。
PyTorch 由 Facebook 开发，也是一个开源深度学习框架。它凭借灵活性和动态计算图深受研究人员与学术工作者喜爱，能够让实验和调试变得更加简单。
PyTorch 的 Official documentation
Deep Learning With PyTorch
Keras 是一个面向神经网络的高级 API，专注于快速原型设计和易用性。它运行在 TensorFlow 之上，简化了神经网络的创建、训练和部署流程。Keras 非常适合初学者，以及希望快速实现深度学习模型的开发者。
Keras 的 Official documentation
Deep Learning basics with Python, TensorFlow and Keras
Scikit-learn 是一个功能强大的经典机器学习库。它包含数据预处理、分类、回归、聚类、降维和模型评估等工具。无论是初学者，还是处理传统 ML 任务的专业人士，Scikit-learn 都非常适合。
Scikit-learn 的 Official documentation
Scikit-Learn Tutorials - Master Machine Learning
在将数据输入 AI 模型之前，清洗数据并为分析做好准备非常重要。原始数据往往包含不一致之处、缺失值或噪声。预处理可以确保数据集干净、结构清晰并可供使用。
处理缺失值。
缩放和归一化数据。
将数据划分为训练集和测试集。
Data Preprocessing in Machine Learning: Steps & Best Practices
A Comprehensive Guide to Data Preprocessing
EDA 有助于理解数据的结构、规律和关系，从而为模型构建过程提供指导。
Pandas：Pandas 是一个功能强大的 Python 数据处理与分析库。你可以使用它计算统计指标、筛选数据，以及高效处理大型数据集。
数据可视化：可视化有助于发现规律、异常值以及变量之间的关系。Matplotlib 和 Seaborn 等库可以用来绘制直方图、散点图、箱线图和热力图。
发现规律：通过可视化和统计分析识别趋势，例如销售数据中的季节性；或识别相关关系，例如学习时长与成绩之间的正相关关系。这些洞察通常会为特征工程和模型选择提供指导。
What is exploratory data analysis (EDA)?
Complete Python Pandas Data Science Tutorial
Matplotlib Full Python Course - Data Science Fundamentals
当你处理无法使用常规工具容纳的海量数据集时，就需要使用大数据框架。
Apache Spark：Spark 是一个用于处理大规模数据集的分布式计算系统。它支持机器学习、数据流处理和批处理，因此是 AI 项目的通用选择。
Hadoop：Hadoop 通过 MapReduce 编程模型提供了一个分布式存储和处理大数据的框架。如今，它在机器学习领域的使用已经有所减少，但对于底层数据存储来说，仍然是一个可靠的选择。
这些工具对于 Web 规模的应用至关重要，例如社交媒体分析、推荐系统或欺诈检测。在这些场景中，数据集的规模可能从数 TB 达到数 PB。
Apache Spark Tutorial
Apache Spark vs Databricks: Key Differences
AI and Data Scientist Roadmap
The best books on artificial intelligence (AI)
AI in Your Hands: Nvidia’s $3,000 Supercomputer Changes Everything
如今，人工智能无处不在。从聊天机器人到自动驾驶汽车，AI 正在驱动我们今天看到的一些最酷的技术。如果你曾经想知道如何进入这个令人兴奋的领域，那么你来对地方了。在本指南中，我将向你介绍如何开启成为 AI 开发者的旅程。
你需要选择一门编程语言，并掌握它的基础知识。
Python：即使对初学者来说，也易于阅读和编写。（推荐）
Java：在企业环境和大型系统中对 AI 很有用。
C++：常用于游戏和机器人等性能关键的 AI 应用中。
R：如果你对数据分析和统计感兴趣。
语言循序渐进学习计划：
不要匆忙投入编程。逐步学习理论，并通过实践巩固所学。编写几个个人项目以确保掌握知识。
数学和统计对 AI 开发者来说非常重要，因为它们帮助理解 AI 的工作原理。数学是创建和改进模型所必需的，使它们工作更快更准确。统计学帮助检查数据、发现模式和进行预测。
学习向量、矩阵和矩阵运算。这些是神经网络的基础构件。例如，神经网络中的权重表示为矩阵。
概率和统计
这些是理解 AI 模型如何进行预测和处理不确定性的关键。你将使用以下概念：
微积分
不是每个 AI 开发者都每天使用微积分，但它对理解模型（如神经网络）如何通过优化（梯度下降）学习很重要。专注于：
AI 建立在数学基础上，但不要被吓到！你不需要掌握所有数学就能开始学习 AI。你逐步积累技能。
观看这个优秀的 YouTube 课程：机器学习数学教程
机器学习（ML）是 AI 的一个领域，它使计算机和机器能够模仿人类学习、自主执行任务，并通过经验和更多数据提高性能和准确性。
机器学习类型
在机器学习中，我们向机器展示大量数据，以便它可以学习、进行预测、发现模式或分类数据。三种 ML 类型是监督学习、无监督学习和强化学习。
监督学习：模型从标记的数据中学习（例如，预测房价）。
无监督学习：模型在未标记的数据中发现模式（例如，客户分段）。
强化学习：模型通过试错学习（例如，教机器人行走）。
机器学习算法
理解重要算法的基础对所有进入机器学习领域的人来说是必不可少的。下面是一些基础算法，它们构成解决各种 ML 问题的基础：
线性回归：通过线性关系预测连续值。
决策树：将数据分成基于决策的组。
支持向量机（SVM）：通过最大化距离来分类数据。
K 近邻（KNN）：基于最近的数据点进行预测。
我推荐你读 Andriy Burkov 的两本书：《The Hundred-Page Machine Learning Book》和《Machine Learning Engineering》。
要构建 AI 系统，你需要熟悉流行的 AI 框架和工具。这些工具简化了构建、训练和部署机器学习模型的过程。
TensorFlow
语言：主要使用 Python，其他支持的语言包括 C++、JavaScript（通过 TensorFlow.js）、Java、Go 和 Swift 用于特定应用。
TensorFlow 是一个由 Google 开发的开源深度学习框架。它被广泛应用于构建和部署机器学习和深度学习模型，特别是在生产级别。TensorFlow 为端到端的 ML 工作流提供了灵活性、可扩展性和全面的生态系统。
PyTorch
语言：Python，对 C++ 的支持有限
PyTorch 是由 Facebook 开发的另一个开源深度学习框架。由于其灵活性和动态计算图，它在研究人员和学者中非常受欢迎，这使得实验和调试变得更容易。
Keras
Keras 是一个高级神经网络 API，设计用于快速原型设计和简单使用。它运行在 TensorFlow 上，简化了构建、训练和部署神经网络的过程。Keras 非常适合初学者和那些想快速实现深度学习模型的人。
Python、TensorFlow 和 Keras 深度学习基础
Scikit-learn
Scikit-learn 是一个功能强大的经典机器学习库。它为数据预处理、分类、回归、聚类、降维和模型评估提供了工具。Scikit-learn 非常适合初学者和从事传统 ML 问题的专业人士。
在将数据输入 AI 模型之前，清理数据并为分析做准备至关重要。原始形式的数据