作为IT开发人员，根据自己的经验简单的做了一下总结，分了两大部分内容：

一、自然语言处理（NLP）

（1）、基础

1、文本清洗（正则、分词与规范化）；

2、中文分词（HMM、trie tree、工具有jieba）

3、文法分析

4、词袋模型（ngram）

5、关键词抽取（tfidf、texttrank）

6、语义相似度（term、score、距离函数）

7、文本的向量化表示（word2vec(skip、gram、glove)、elmo、bert）

8、机器学习（lr、svm、bayesian、fast text、）

9、深度学习（textCNN、textRNN、seq2seq、siamese LSTM、DSSM、attention）

（2）、在实际项目中的应用

1、实体识别（应用：***智能、对话机器人）、（技术：CRF、bilstm-CRF、PCNN）、（扩展：知识图谱、图数据库）

2、query相似变换（应用：sug、纠错改写）、（技术：elasticsearch 建库索引）

3、文本分类（应用：情感识别、文章类型、意图识别（样本爬取）、语种检测）

4、序列标注（机器翻译、词性标注）

5、文本生成（应用：诗歌对联、摘要生成）、（技术：VAE、GAN）

6、聊天机器人（案例：***anyQ）

二、图像视觉处理（计算机视觉）

（1）、主要应用

1、主要应用：无人驾驶、***影像诊断、安防、人脸识别、视频内容理解、图像分类、图像分割、目标检测、目标跟踪。

2、OpenCV

3、图像分类（CNN、AlexNet、LeNet、VGG、ResNet、Fast-RCNN）

4、图像检索（距离度量与检索、图像特征抽取、LSH近邻检索算法）

上面两大内容中要学习的内容分为三个阶段

第一阶段：人工智能基础。包括编程基础：机器学习深度学习框架例如tensorflow/pytorch；数学基础：高等数学，线性代数，概率论，统计学知识；机器学习基础：决策树，逻辑回归，聚类算法，支持向量机，集成学习；深度学习基础：反向传播，链式求导，卷积神技网络，循环神经网络等。

第二阶段：算法在NLP领域的实践应用。基础的NLP任务：词法分析，包括：分词，词性标注等；句法依存分析；语义表示与语言模型；命名实体识别；文本分类；文本生成；机器翻译；信息检索等。

第三阶段：算法在CV领域的实践应用。CV图像处理的基础，opencv的框架；同时也是基于cv领域应用最广的几种任务：图像分类；语义分割；图像目标检测；目标跟踪；序列分析。

人工智能入门需要掌握的知识有：自然语言处理、机器学习、计算机视觉、知识表示、自动推理和机器人学。虽然这些领域的侧重点各有不同，但是都需要一个重要的基础，那就是数学和计算机基础。

需要必备的知识有:

1、线性代数：如何将研究对象形式化？

2、概率论：如何描述统计规律？

3、数理统计：如何以小见大？

4、最优化理论：如何找到最优解？

5、信息论：如何定量度量不确定性？

6、形式逻辑：如何实现抽象推理？

7、线性代数：如何将研究对象形式化？人工智能简介:1、人工智能（ArtificialIntelligence），英文缩写为AI。2、它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能涉及的学科:哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。

标签： 人工智能 专业