2024 年，从0学习 AI：人工智能完整指南

• 什么是人工智能 （AI）？

• 人工智能有哪些不同类型？

• 数据科学、人工智能、机器学习和深度学习之间的区别

• 为什么现在应该学习人工智能？

• 学习人工智能需要多长时间？

• 如何在 2024 年从头开始学习 AI

• AI 学习计划示例

• 学习 AI 的 5 大技巧

• 2024 年学习 AI 的最佳方式

• 当今 AI 的不同职业

• 如何在 AI 领域找到工作

• 如何掌握商业 AI 工具

• 常见问题

我们正生活在人类历史上的一个关键时刻，人工智能 （AI） 的重要性正变得越来越不可否认。看看这个统计数据：根据福布斯顾问的一项调查，97% 的企业主预计 ChatGPT 将在他们业务的至少一个领域带来积极的变化。此外，ChatGPT、Midjourney 和 Bard 等工具正在将 AI 带入主流。这使得 AI 的艺术和科学比以往任何时候都更加重要。

如果您是一位有抱负的数据科学家、机器学习工程师、AI 研究人员，或者只是一位 AI 爱好者，那么本指南适合您。在本文中，我们将详细介绍如何从头开始学习 AI，并提供行业专家的见解，以帮助您完成旅程。除了涵盖您需要掌握的技能和工具外，我们还探讨了企业如何在当今环境中利用 AI。

什么是人工智能 （AI）？

AI 或人工智能是计算机科学的一个分支，专注于创建可以执行通常需要人类智能的任务的系统。这些任务包括理解自然语言、识别模式、做出决策和从经验中学习。AI 是一个广阔的领域，包含众多子领域，每个子领域都有其独特的目标和专长。查看我们的完整指南什么是 AI？以了解更多信息。您还可以在单独的文章中探讨 AI 与机器学习的不同之处。

人工智能有哪些不同类型？

随着 AI 的普及，该技术以各种方式被讨论。为了简化本文的其余部分，了解不同类型的 AI 非常重要。AI 可以根据其功能分为三个级别：

• 狭义人工智能 （ANI）：这是我们今天接触的最常见的 AI 形式。ANI 旨在执行单个任务，例如语音识别或流媒体服务上的推荐。

• 通用人工智能 （AGI）：具有 AGI 的 AI 具有在人类层面的广泛任务中理解、学习、适应和实施知识的能力。虽然 ChatGPT 等大型语言模型和工具已经显示出跨许多任务进行泛化的能力——但截至 2023 年，这仍然是一个理论概念。

• 人工智能 （ASI）：AI 的最后一级 ASI 是指 AI 在几乎所有具有经济价值的工作中都超过人类智能的未来情景。这个概念虽然很有趣，但在很大程度上仍然是推测性的。

数据科学、人工智能、机器学习和深度学习之间的区别

如果您不熟悉这个主题，您可能还会看到“机器学习”、“深度学习”、“数据科学”等术语悄悄进入 AI 话语。AI 是一个广阔的领域，有几个子集，包括机器学习 （ML） 和深度学习 （DL）。

虽然这些术语都没有官方定义，并且专家们对确切的界限争论不休，但对于每个术语的广泛范围，人们越来越达成共识。以下是如何定义这些术语的细分：

• 人工智能是指可以像人类一样智能行为、推理和学习的计算机系统。

• 机器学习是人工智能的一个子集，专注于开发具有学习能力的算法，而无需明确编程。

• 深度学习是机器学习的一个子集。它负责新闻中许多关于 AI 的令人敬畏的新闻报道（例如，自动驾驶汽车、ChatGPT）。深度学习算法的灵感来自大脑的结构，可以很好地处理非结构化数据，例如图像、视频或文本。

数据科学是一个跨学科领域，它使用上述所有内容以及数据分析、统计、数据可视化等其他技能从数据中获得洞察力。

为什么现在应该学习人工智能？

人工智能不仅仅是一个流行词;这是一项革命性的技术，改变了我们的工作、生活和互动方式。随着数据的爆炸式增长和理解数据的需求，对 AI 技能的需求正在飙升。现在是开始学习 AI 的最佳时机。原因如下：

AI 是一个快速发展的领域

人工智能不是未来;而是现在。近年来，AI 工作岗位的数量出现了显著增长。根据世界经济论坛的《未来就业》报告，人工智能和机器学习专家在未来五年快速增长的工作名单中名列前茅。随着各行各业继续采用 AI 技术来简化运营并做出更好的决策，对 AI 专家的需求可能只会增加。

如下图所示，预计 2021 年至 2030 年期间的 AI 市场规模增长进一步强调了这一预测。

图片来源

AI 是一项高薪工作

自然，对 AI 技能的需求激增伴随着有吸引力的薪酬。根据 Glassdoor 的数据，截至 2023 年 11 月，美国人工智能工程师的平均年薪为 153,719 美元，有可能获得奖金和利润分享。机器学习工程师和数据科学家的薪水同样高，平均年薪分别为 151,158 美元和 178,515 美元。这种经济补偿反映了 AI 技能在市场上的价值和影响。

我们还看到，从 2023 年 5 月我们撰写本文时到 2023 年 11 月的最后一次更新，这些平均值有所增加。据报道，Glassdoor 的平均工资在 5 月份为 128,479 美元，11 月份为 153,719 美元。

AI 在智力上具有挑战性

人工智能不仅仅是关于高薪工作和巨大的市场需求。这也是一个激发智力的领域，有望以令人兴奋的方式挑战您。它涉及构建算法来解决复杂问题，设计模拟人类智能的模型，以及创造性地将这些技术应用于各种现实世界场景。

AI 专业人员不断学习、适应和创新。该领域在不断发展，这意味着总有新的东西需要学习，总是有新问题需要解决，或者有一个系统需要改进。这种动态的性质使 AI 成为一个令人兴奋的领域，适合那些在挑战和持续学习中茁壮成长的人。

学习人工智能需要多长时间？

学习 AI 所需的时间通常取决于您采取的路线;无论是自学还是通过大学课程等正规教育。

在自学路线中，持续时间可能会有很大差异，因为它在很大程度上取决于您先前的知识、奉献精神和可用的学习资源。通过自学，可能需要几个月到一年或更长时间才能对 AI 概念、Python 等编程语言、数学和各种机器学习算法有深入的了解。自定进度的在线课程、教程和实践项目可以加快学习过程。

另一方面，大学路线通常涉及接受计算机科学、数据科学或相关领域的正规教育。这些学科的学士学位通常需要大约三到四年的时间才能完成，在此期间，学生将接受人工智能和相关学科的全面培训。

无论您选择哪条路线，持续学习、实际应用和跟上进步对于追求 AI 职业至关重要。

如何在 2024 年从头开始学习 AI

学习 AI 可能是一项令人兴奋的工作，但并非没有挑战。这是一个包含许多子主题的广阔领域。但是，通过明确的路线图、正确的资源和战略方法，您可以有效地驾驭这一局面。以下是在 2024 年学习 AI 的方法：

1. 掌握必备技能

在深入研究 AI 之前，您需要在某些领域打下基础。这些基本技能将构成您对 AI 的理解和能力的支柱：

• 基础数学。AI 严重依赖数学概念，尤其是机器学习和深度学习等子领域。当然，您不必成为数学家才能在 AI 领域取得成功，但对线性代数、微积分和概率的基本理解是必不可少的。例如，矩阵和线性代数的线性变换等概念经常用于 AI 算法中。

• 基本统计数据。当您了解统计数据时，AI 就很有意义。知道如何解释数据和获得见解在这个领域至关重要。统计显著性、分布、回归和可能性等概念在不同的 AI 应用程序中发挥着重要作用。

• 愿意学习。AI 是一个快速发展的领域，新的进步、技术和工具不断涌现。因此，积极主动的心态和对学习和适应新知识和技术的热情对于任何希望进入 AI 并取得进步的人来说都至关重要。

请务必注意，这些先决条件领域所需的理解和掌握深度可能会因您打算追求的 AI 角色而异。例如，数据科学家可能不需要深入了解 AI 中使用的每个数学概念，但旨在创建新的 AI 算法的研究科学家可能需要更深入地掌握数学。

关键是使您的学习路径与您的职业目标保持一致，并相应地调整不同领域的学习深度。

2. 培养专业的 AI 技能

现在我们已经介绍了先决条件，让我们深入研究掌握 AI 所需的基本技能。与上面的先决条件部分类似，您需要掌握这些技能的水平在很大程度上取决于您希望从事的角色类型。

统计学

统计学是一门涉及数据收集、组织、分析、解释和呈现的学科。它为理解和处理 AI 中的数据提供了支柱。

在下面的资源中了解有关统计数据的更多信息：

• Statistics Fundamentals with Python Skill Track，您将学习使用 Python 进行统计的四个基础知识，包括汇总统计和概率、线性和逻辑回归等统计模型、抽样技术、如何执行假设检验，并从各种数据集中得出结论。

• 统计学导论课程，教授统计学的基础知识，包括中心和散布的度量、概率分布和假设检验。

• R 中的统计简介课程，用于学习如何在 R 中处理变量、绘图和标准差。

数学

如前所述，数学的某些领域构成了 AI 算法的基础。线性代数、微积分、概率和微分方程都是将在您的 AI 之旅中使用的数学工具。

在下面的资源中了解有关数学的更多信息：

• 揭开深度学习数学概念的神秘面纱，探索数据科学和深度学习的基本数学概念。

• R 课程中数据科学的线性代数，您将介绍线性代数的基础知识，包括如何使用矩阵向量方程、执行特征值/特征向量分析和 PCA。

• Python 概率基础课程涵盖基本概率概念，如随机变量、均值和方差等。

编程

AI 实现需要对编程有深入的了解。知道如何编写代码可以让您开发 AI 算法、操作数据以及使用 AI 工具和库。Python 是目前 AI 社区中最流行的语言，因为它的简单性、灵活性和数据科学库的可用性。

• Python 编程技能跟踪将帮助您提高 Python 编程技能。您将学习如何优化代码、编写函数和单元测试，以及使用软件工程最佳实践。

• 同样，R 编程技能跟踪，在这里您将通过学习如何使用常见数据结构、优化代码和编写自己的函数来提升您的 R 编程技能。

数据结构

数据结构允许您存储、检索和高效操作数据。因此，了解数组、树、列表和队列等数据结构对于编写高效代码和开发复杂的 AI 算法至关重要。

• 数据结构和算法简介课程将帮助您了解数据结构，例如链表、堆栈、队列、哈希表和图形。

• Python数据结构与原始和非原始示例教程涵盖了Python数据结构，如数据类型，以及原始和非原始数据结构，如字符串、列表、堆栈等。

数据操作

数据操作涉及清理、转换和操作数据，以便为进一步分析做好准备或将其馈送到 AI 模型中。使用 pandas 等库进行数据操作的技能对于在 AI 中工作至关重要。

• 使用 Python Skill Track 进行数据操作，介绍如何在 Python 中转换、排序和筛选 DataFrames 中的数据，以便进行快速分析。

• 使用 R Skill Track 进行数据操作，其中涵盖了上述方法，但使用的是 R 编程语言。

• 使用 pandas 进行数据操作 课程教您在提取、筛选和转换真实数据集以进行分析时如何使用 pandas 操作 DataFrame。

数据科学

数据科学是各种工具、算法和机器学习原理的混合体，旨在从原始数据中发现隐藏的模式。作为 AI 专业人员，了解从数据中提取见解的过程至关重要。

• 数据科学家与 Python 职业轨道，涵盖成功成为数据科学家所需的 Python 技能。

• 具有 R Career Track 的数据科学家，其中涵盖了成功成为数据科学家所需的 R 编程技能。

• 了解数据科学课程，涵盖什么是数据科学及其重要性的基础知识。

机器学习

机器学习是 AI 的一个子领域，机器从数据中学习以提高其性能或做出准确的预测。了解不同的机器学习算法、它们的工作原理以及何时使用它们至关重要。

• 使用 Python Skill Track 的机器学习基础知识，向您介绍机器学习基础知识及其背后的科学，包括预测、模式识别和深度学习基础知识。

• R Skill Track 中的机器学习基础知识，你将学习通过分类和回归来预测分类和数字响应，并通过无监督学习发现数据集的隐藏结构。

• Machine Learning Cheat Sheet，这是顶级机器学习算法、其优缺点和用例的快速参考指南。

深度学习

深度学习是机器学习的一个子集，它使用具有多层（因此是“深度”）的神经网络来建模和理解数据集中的复杂模式。它支持当今许多最先进的 AI 应用程序，从语音助手到自动驾驶汽车。

• Python Skill Track 中的深度学习，您将学习如何使用强大的 Keras、TensorFlow 和 PyTorch 库来创建和优化神经网络。

• 什么是深度学习教程，涵盖有关深度学习的最常见问题，并通过真实示例探索深度学习的各个方面

• “使用 Keras 进行深度学习”课程简介，您将学习如何使用 Keras 开发自己的深度学习模型。

这些技能中的每一项都与其他技能相互关联，帮助您构建广泛的 AI 概念知识。一个好的开始方法是先了解每个领域的基础，然后再更详细地探索您最感兴趣的领域。你可以按照你认为合适的方式混合你的方法，在学习和获得实践实践时自然出现的领域工作。

3. 了解基本的 AI 工具和软件包

了解正确的工具和软件包对于您在 AI 领域的成功至关重要。特别是，Python 和 R 因其简单性、灵活性以及强大的库和框架的可用性而成为 AI 社区的领先语言。虽然您不需要同时学习这两者即可在 AI 中取得成功，但根据您最终选择的工具，您将在下面找到一些需要熟悉的关键库和框架：

顶级 Python AI 工具和软件包

Python 是一种高级解释型编程语言，以其可读性和多功能性而闻名。由于其用户友好的语法以及可用于 AI 和数据科学的大量库和框架，它被广泛用于 AI。

pandas 是一个 Python 库，它为数据分析提供了广泛的方法。数据科学家将 pandas 用于各种任务，包括数据清理、数据转换和统计分析。它适用于不完整、杂乱和未标记的数据，使其成为预处理数据集的重要工具。

• 使用 pandas 进行数据操作课程

• 使用 pandas 编写高效代码课程

• Python pandas 教程：初学者终极指南

NumPy

NumPy 是 Numerical Python 的缩写，是一个 Python 库，它增加了对大型多维数组和矩阵的支持，以及大量高级数学函数来操作这些数组。它是任何科学计算（包括 AI）的重要库。

• NumPy 课程简介

• Python NumPy 数组教程

• NumPy 作弊表：Python 中的数据分析

Scikit-学习

Scikit-Learn 是一种用于数据挖掘和机器学习的简单高效的工具。它基于 NumPy、SciPy 和 matplotlib 构建，并且是开源的，这意味着每个人都可以免费使用。它具有各种分类、回归、聚类和降维算法。

• 使用 Scikit-Learn 进行机器学习

• 使用 Scikit-Learn 进行监督学习课程

• Python 机器学习：Scikit-Learn 教程

PyCaret

PyCaret 是一个功能强大的 Python 库，可简化构建和部署人工智能模型的过程，使用户能够通过几行代码有效地探索、预处理、训练、调整和比较多种机器学习算法。

• PyCaret 教程：使用 PyCaret 自动化 ML 工作流的初学者指南

PyTorch 插件

PyTorch 是基于 Torch 库的开源机器学习库。它用于自然语言处理和人工神经网络等应用程序。它最大的优势是它的灵活性和速度，使其适用于深度学习研究。

• 使用 PyTorch 进行深度学习课程

• PyTorch 教程：从头开始构建简单的神经网络

凯拉斯

Keras 是一个用 Python 编写的用户友好型神经网络库。它旨在最大限度地缩短您的想法和工作模型之间的时间，为神经网络建模提供一种简单的方法。Keras 也是模块化的，因此在构建新模型时具有令人难以置信的多功能性。

• 《使用 Keras 进行深度学习》课程

• Keras 教程：Python 中的深度学习

• Keras 备忘单：Python 中的神经网络

市售 API

一旦您准备好开始动手实践 AI，利用 API 访问市售模型是入门的最佳方式之一。OpenAI API、Cohere API 和 Anthropic API 等商用 API 是不错的起点。

• 通过 Python 中的 OpenAI API 使用 GPT-3.5 和 GPT-4

• 使用 OpenAI API 课程

• OpenAI API 教程初学者指南

拥抱脸

随着您的熟练程度提高，使用标准 Python 包（如 Hugging Face 的 transformers 和 accelerate）探索预训练模型，从而轻松使用 GPU 和 TPU。

• 什么是 Hugging Face？

• 使用 Transformer 和 Hugging Face 简介

LangChain 语言链

LangChain 中目前最流行的 AI 框架之一，可帮助用户将来自大型语言模型的 AI 包含在数据管道和应用程序中。

• LangChain 数据工程和数据应用简介

• 如何使用 LangChain 构建 LLM 应用程序

AI 学习计划示例

下面，我们创建了一个潜在的学习计划，概述了如果您刚开始使用 AI，可以将时间和精力集中在哪些方面。请记住，时间表、主题领域和进展都取决于广泛的变量。我们希望使这个计划尽可能亲身实践和实用，这就是为什么我们推荐了你可以随着进展而参与的项目。

第 1-3 个月：数学、编程、数据结构和操作的基础知识

1. 数学和统计学：从线性代数、微积分、统计和概率的基础知识开始。这将为你的未来打下坚实的基础。

2. 编程：学习 Python，这是 AI 中使用最广泛的语言。从基础知识开始，然后转向更高级的概念。参加我们的 Python 基础知识技能课程和使用 Python 技能课程进行数据操作，了解基础知识，包括 NumPy 等软件包。

3. 数据操作：开始学习数据操作和分析。熟悉 pandas 和 NumPy 等 Python 库，您将使用这些库进行数据操作。了解如何清理和准备数据，这是任何 AI 或机器学习项目的关键部分。

推荐资源和项目

• 揭开深度学习数学概念的神秘面纱

• Python 基础

• 探索乐高数据科学项目的历史

• 了解人工智能课程

第 4-6 个月：深入了解 AI 和机器学习

4. 人工智能基础知识：了解什么是 AI、它的历史及其不同的分支。像我们的 Understanding Artificial Intelligence 这样的课程可以提供一个好的开始。

5. 加深您的机器学习知识：了解不同类型的机器学习算法 - 监督学习、无监督学习、半监督学习和强化学习。参加我们的 Machine Learning Scientist with Python Track，其中涵盖了最重要的模型类型、模型验证和超参数优化。它涵盖了包括 TensorFlow 和 Keras 在内的软件包，并涉及高级深度学习。

推荐资源和项目

• 了解人工智能课程

• AI 基础知识技能跟踪

• 具有 Python 职业轨道的机器学习科学家

• Naïve Bees：图像加载和处理数据科学项目

第 7-9 个月：专精和高级主题

1. 深度学习：了解神经网络和深度学习。

2. MLOps 基础知识：了解 MLOps，了解如何将 DevOps 原则应用于机器学习系统。这包括模型版本控制、模型部署、监控和编排。

3. 专业化：根据您的兴趣和职业抱负，专注于一个领域 - 它可以是自然语言处理、计算机视觉、强化学习或任何其他领域。

推荐资源和项目

• Python 深度学习技能课程

• MLOps 部署和生命周期循环课程

• ASL 识别与深度学习数据科学项目

第 10 个月 - 进行中：继续学习和探索

1. 进一步专业化：职业道路

2. 保持最新状态：定期关注与 AI 相关的博客、播客和期刊。加入社区，与其他 AI 从业者交流想法。

3. AI 中的道德规范：随着您对 AI 的了解越来越多，请务必同时了解 AI 中的道德注意事项。

推荐资源和项目

• AI 伦理课程

• DataCamp 认证

请记住，这只是一个基本路线图。您应该根据自己的节奏和兴趣对其进行修改。AI 是一个广阔的领域，学习是一个持续的过程。

学习 AI 的 5 大技巧

踏上学习 AI 的旅程可能令人生畏，但拥有战略方法可以使过程更加结构化和易于管理。以下是指导您完成 AI 学习之旅的五个步骤：

1. 选择你的关注点

首先根据您的职业目标决定将精力集中在何处。我们将在本文中进一步讨论 AI 领域的各种职业;每个角色都有不同的侧重点，需要独特的技能组合。

例如，如果您对数据科学家或机器学习工程师等应用性更强的角色感兴趣，请更多地关注编程、数据科学和理解各种机器学习算法。你的目标是熟练使用 AI 技术来解决现实世界的问题。

或者，如果您倾向于研究角色，您应该更深入地研究 AI 和机器学习背后的理论。您需要扎实掌握数学、统计学和理论计算机科学。

这不是一个严格的区别;相反，它是一个起点，可帮助您决定将初始重点放在何处。

2. 开始学习

一旦你确定了你的重点，就该开始学习了。技能部分和上面的 AI 学习计划中建议的学习资源是有用的起点。请记住，掌握 AI 是一场马拉松，而不是短跑。在继续下一个概念之前，请花点时间彻底理解每个概念。

3. 将您的技能应用到项目中

没有比实践更好的学习方式了。将您在实际项目中学到的技能应用起来可以巩固您的理解，并为您提供可以丰富您的投资组合的实践经验。这可以像创建机器学习模型来预测房价一样简单，也可以像开发用于图像识别的深度学习模型一样复杂。我们在本文中提供了示例项目。

4. 加入社区

加入线上和线下的 AI 社区。参加 Stack Overflow 或 GitHub 等论坛、加入 LinkedIn 上的 AI 群组或参加 AI 聚会和会议可以提供宝贵的学习机会。

获得 DataCamp 认证后，您可以加入我们的 DC 认证社区，在那里您可以与其他认证学习者联系，访问独家内容和活动，并充分利用您新获得的技能。

通过加入社区，您可以随时了解最新趋势，在遇到困难时获得帮助，并与其他 AI 爱好者建立联系。

5. 不断迭代

AI 是一个快速发展的领域。一旦你掌握了基础知识，继续学习和提高你的技能就很重要。关注 AI 博客，阅读研究论文，参加高级课程，并始终寻找挑战自我的新方法。这个迭代过程将使您从新手变成专家。

请记住，学习 AI 的旅程充满挑战，但回报丰厚。如果您在途中遇到障碍，请不要气馁;他们是学习过程的一部分。牢记您的最终目标，并致力于您的旅程。

2024 年学习 AI 的最佳方式

丰富的资源可帮助您学习 AI，从结构化课程和教科书到动手项目。选择合适的资源可以帮助您在 AI 学习方面有一个良好的开端。以下是我们的首选，可帮助您开始 AI 学习之旅：

参加顶级 AI 课程以开始使用

DataCamp 是一个很棒的平台，提供专为有抱负的数据科学家量身定制的互动课程。这些课程从初级到高级，并设计有动手练习。以下是 DataCamp 上一些最好的 AI 相关课程：

• 了解 AI 课程

• Python 基础

• 使用 Python 进行数据操作

• 使用 Python 的机器学习基础知识

• 使用 Python 的机器学习科学家

• 使用 PyTorch 进行深度学习简介

完成 AI 项目

学习 AI 是一段超越理解理论和编码技术的旅程。它涉及动手实践，这就是完成 AI 项目的意义所在。

首先根据您的熟练程度确定合适的项目，无论是预测模型还是生成式 AI 应用程序。正确的工具（例如 Python 及其广泛的库）将成为您的基石。了解和准备数据至关重要，因为它直接影响模型的有效性。

以下是您可以构建的一些 AI 项目的想法，以帮助您掌握 AI。请务必查看我们关于所有级别的 AI 项目、所有级别的生成式 AI 项目和机器学习项目的文章，以获取更多信息。

• 从音频数据中对歌曲流派进行分类。在 Python 中应用机器学习方法，将歌曲分类为流派。

• Naïve Bees：图像加载和处理。处理图像数据，使用传统技术构建分类器，并利用深度学习的强大功能进行计算机视觉。

• 使用深度学习进行 ASL 识别。构建卷积神经网络，对 American Sign Language 中的字母图像进行分类。

阅读一些最好的 AI 书籍

书籍提供了来自该领域专家的深入知识和见解。以下是一些最具影响力的 AI 书籍，您可能会觉得有帮助：

• 15 年值得阅读的 2024 本最佳机器学习书籍

• 11 年最值得阅读的 2024 本深度学习书籍

请记住，学习 AI 的关键是一致性和实践。不要害怕从小处着手，然后逐渐发展到更复杂的概念和项目。您会惊讶于每天花一点时间学习 AI 可以学到多少东西。

查看 AI 备忘单

我们选择的数据科学备忘单可以作为各种主题的快速参考指南，包括许多与 AI 相关的主题：

• 适合初学者的 Python 备忘单

• 监督式机器学习作弊表

• 无监督机器学习作弊表

• 用于数据科学的 ChatGPT 备忘单

• Python 中的 OpenAI API

• 生成式 AI 工具的前景

• 使用 PyTorch 进行深度学习作弊表

关键技能：

• 精通 Python、R 和 SQL

• 了解机器学习和 AI 概念

• 熟练掌握统计分析、定量分析和预测建模

• 数据可视化和报告技术

• 有效的沟通和演示技巧

基本工具：

• 数据分析工具（例如 Pandas、NumPy）

• 机器学习库（例如 Scikit-learn）

• 数据可视化工具（例如 Matplotlib、Tableau）

• 大数据框架（例如 Airflow、Spark）

• 命令行工具（例如 Git、Bash）

机器学习工程师

机器学习工程师是 AI 世界的架构师。他们设计和部署机器学习系统，根据组织的数据进行预测。它们还解决了预测客户流失率和生命周期价值等问题，以及

负责部署模型供组织使用。机器学习工程师通常只使用基于编码的工具。

关键技能：

• 对 Python、Java 和 Scala 有深入的了解

• 熟悉机器学习框架（如 Scikit-learn、Keras 或 PyTorch）

• 了解数据结构、数据建模和软件架构

• 高级数学技能（线性代数、微积分、统计）

• 团队合作能力和出色的解决问题的能力

工具：

• 机器学习库和算法（例如 Scikit-learn、TensorFlow）

• 数据科学库（例如 Pandas、NumPy）

• 云平台（例如 AWS、Google Cloud Platform）

• 版本控制系统（例如 Git）

研究科学家

研究科学家是 AI 世界的思想家。他们进行前沿研究，以推进 AI 的最新技术。他们的工作通常涉及发明新算法或改进现有算法。他们还在 AI 会议和学术文章中展示了他们的发现。

关键技能：

• 对机器学习和深度学习有扎实的理解

• 熟练使用 Python 和其他编程语言

• 对 AI 相关数学理论（如统计学习理论）有广泛的了解

• 概念化和验证新型 AI 模型的能力

• 较强的写作和公开演讲技巧

工具：

• 深度学习框架（如 TensorFlow、PyTorch）

• 科学计算工具（如 MatLab、Mathematica）

• 用于写作和演示的软件（如 LaTeX、Google 幻灯片）

• 云计算资源（如 AWS、Google Cloud Platform）

这些职业中的每一个都提供了进入 AI 世界的独特途径。他们都拥有巨大的潜力，并在该领域发挥着关键作用。您的决定将取决于您的兴趣、优势和长期职业目标。

如何在 AI 领域找到工作

在开始 AI 职业生涯时，学位可能是一项巨大的资产，但它并不是唯一的途径。虽然我们确实认为接受 AI 或相关领域的正规教育是值得的，但越来越多的专业人士正在通过非传统途径进入该领域，这证明通过奉献精神、持续学习和积极主动的方法，您可以在 AI 领域找到理想的工作。

结论

学习 AI 是一项有益的追求，它为您打开了通往创新技术和令人兴奋的职业机会世界的大门。通过这个过程获得的知识和专业技能超出了教科书和讲座的范围。它涉及学习、应用、实验和改进的动态循环。采用动手实践方法，特别是通过课程和 AI 项目，可以加速学习并培养解决问题、批判性思维和创造力的基本技能。

如果您刚刚开始 AI 学习之旅，我们概述了大量有用的资源来帮助您入门，以及一个示例学习计划，其中包含您在精通人工智能的道路上需要掌握的一些关键主题。今天就开始学习我们的 Understanding AI Course。