这是一篇关于如何成为一名 AI 算法工程师的长文~
经常有朋友私信问，如何学 python 呀，如何敲代码呀，如何进入 AI 行业呀？
这里总结了成为AI算法工程师所需要掌握的一些要点
来看看你距离成为一名 AI 工程师还有多远吧~
一、编程
就像大多数软件应用程序的开发一样，开发人员也在使用多种语言来编写人工智能项目，但是现在还没有任何一种完美的编程语言是可以完全速配人工智能项目的。编程语言的选择往往取决于对人工智能应用程序的期望功能。
由于其语法，简单性和多功能性，Python成为开发人员最喜欢的人工智能开发编程语言。Python最打动人心的地方之一就是便携性，它可以在Linux、Windows、Mac OS和UNIX等平台上使用。允许用户创建交互式的、解释的、模块化的、动态的、可移植的和高级的代码。
另外，Python是一种多范式编程语言，支持面向对象，过程式和功能式编程风格。由于其简单的函数库和理想的结构，Python支持神经网络和NLP解决方案的开发。
成为一个合格的AI算法工程师需要熟练掌握python基础语法、 python语句和表达句、python中的函数与模块、python面向对象以及python文本操作。掌握面向对象数据编程技术，也是为后期的AI学习打下扎实的编程能力。
二、数学
要学习人工智能，最基本的高数、线代、概率论必须掌握，至少也得会高斯函数、矩阵求导，明白梯度下降是怎么回事，否则对于模型的基本原理完全不能理解，模型调参与训练也就无从谈起了。
高等数学
高等数学需要掌握的相关内容包括函数、数列、极限、倒数、极值与最值、泰勒指数和梯度。
线性代数
线性代数的内容包括行列式、矩阵、最小二乘法、向量的线性相关性、矩阵的初等变换和秩、线性方程组的解和矩阵特征值
概率统计
概率统计里的事件、概率、贝叶斯定理、概率分布、期望与方差与参数估计
理解数学知识体系在深度学习中的应用，可以读懂深度学习中常用的数学函数公式，能够用python编程实现常用的数学算法。
三、深度学习
深度学习部分包括MLP模型、CNN卷积神经网络、RNN循环神经网络、GAN生成式对抗神经网络等。
MLP模型
需要具备理解多层感知机的运行过程和原理，并能够搭建多层感知机模型。
CNN卷积神经网络
掌握如何使用CNN网络处理空间问题，如图片、视频等数据。理解卷积、池化，以及反卷积、反池化的过程和原理。并且能够搭建相关的卷积网络模型。
RNN循环神经网络
掌握如何使用RNN处理时间序列问题，如智能应答、智能翻译等。理解循环神经网络RNN和 LSTM、GRU的运行过程和原理。能够搭建相关的循环神经网络模型训练与优化。
GAN生成式对抗神经网络
让神经网络具备创造能力，理解生成式对抗神经网络和其变种网络的原理，并能够搭建变分自编码的网络模型训练和优化，可实现图像生成、语音生成等。
四、项目实战
进行一些项目实战对于你的项目经验积累是十分有益的。
人工智能图像/视觉领域算法工程师所应具备的项目实战经验：YOLOV3多物体追踪/CenterLoss图像识别/Mask-RCNN图像分割。
能解决多目标追踪，图像识别、图像分隔、图像比对等应用场景项目。并且通过项目能学到很多工程技巧，实际项目中训练模型的方法和调参的经验。
掌握了这些，你的AI算法工程师之路就能更近一步啦~
