机器学习/深度学习算法工程师最为紧缺
根据CSDN 2017年中国开发者大调查数据显示，人工智能相关岗位中，“机器学习/深度学习算法工程师”占比最高，为29%，其次是占比22%的
“数据科学家/数据分析师/数据挖掘工程师”，算法类和数据类岗位需求之和占了总需求的一半。算力方面，高性能计算工程师占比11%；细分技
术上，计算机视觉、语音识别、自然语言处理等类别的需求分别为13%、6%、9%。
AI人才招聘增长近8倍，技术岗位占比增长3倍多
人工智能在一线业务中发展，离不开数据和AI算法方面的技术人才
根据猎聘统计，2017年AI技术类工程师的招聘量是2014年的8.8倍，数据类工程师的招聘量则是2014年的5.9倍，而全部IT技术岗位的招聘量仅为
2014年的2.65倍。与此相对，在2014年，AI类工程师和数据类工程师在全部技术岗位中的占比分别是2.97%和7.86%，这一数字到2017年分别涨到
9.86%和17.59%；人工智能相关岗位在技术人才招聘中的总比例从10.83%涨到27.45%，是技术岗位中增幅最大的领域。
10年经验：AI工程师年薪140万，IT工程师不到55万
人工智能相关岗位需求强劲，人才薪酬数字亮眼
根据猎聘统计，在学历方面，数据类岗位与AI类岗位薪酬不相上下，其中AI类博士的年薪上限接近95万元，数据类硕士的薪酬表现超过AI类硕士；
在薪酬方面，AI类工程师上升曲线显著，10年以上经验的AI工程师年薪高达140万元；相对来说，数据类工程师的上升曲线更趋近IT类工程师的均
值，说明数据类岗位的成熟度更高一些。
AI工程师平均年薪远超IT工程师
根据猎聘统计，2016 年以来公开发布的招聘岗位中，IT 工程技术类人员的平均年薪为 17.92 万，而 AI 领域知识图谱方向工程师的最高年薪
可达 43.42 万，其平均年薪也高达 34.06 万，接近 IT 工程技术类的两倍。在 AI 细分领域中，除了计算机视觉类平均年薪 27.81 万，其他方
向薪资均在 30 万元以上
从30年到10年，专业路径培育了AI人才金字塔的领军者
从10年到4个月，实战方法培养出AI技术雄兵
AI技术人才成长路线总图：入门方法与进阶方向
路线 1：机器学习算法工程师
路线 2：数据科学家
路线 3：异构并行计算工程师
总结：AI基础岗位必读
机器学习算法工程师
吴恩达机器学习课程： https://www.coursera.org/learn/machine-learning/
《机器学习基石》Learning from Data https://work.caltech.edu/telecourse.html
《统计学习导论》 http://www-bcf.usc.edu/~gareth/ISL/
Elements of Statistical Learning https://web.stanford.edu/~hastie/ElemStatLearn/
Elements of Information Theory http://elementsofinformationtheory.com/
朴素贝叶斯和逻辑回归 http://www.cs.cmu.edu/~tom/mlbook/NBayesLogReg.pdf
数据科学家
MIT 数据科学的数学话题 https://ocw.mit.edu/courses/mathematics/18-s096-topics-in-mathematics-of-data-science-fall-2015/
数据科学的 15 门数学 MOOC https://www.kdnuggets.com/2015/09/15-math-mooc-data-science.html
理解统计推断 http://www.socialresearchmethods.net/kb/statinf.php
如何将贝叶斯定理、概率和统计结合起来 https://www.springboard.com/blog/probability-bayes-theorem-data-science/
十大常用数据挖掘算法 https://www.kdnuggets.com/2015/05/top-10-data-mining-algorithms-explained.html
用于学习的 19 个公共数据集 https://www.springboard.com/blog/free-public-data-sets-data-science-project/
31 种数据可视化工具 https://www.springboard.com/blog/31-free-data-visualization-tools/
路线 4：语音识别工程师
路线 5：计算机视觉工程师
路线 6：自然语言处理工程师
路线 7：知识图谱工程师
AI技术层岗位必读
语音识别工程师
《解析深度学习：语音识别实践》
Automatic Speech and Speaker Recognition: Large Margin and Kernel Methods
Spoken Language Processing: A Guide to Theory, Algorithm and System Development
Speech and Language Processing（CS224S - http://web.stanford.edu/class/cs224s/）/ 书 - https://web.stanford.edu/~jurafsky/slp3/ ed3book.pdf
Speech at CMU - http://www.speech.cs.cmu.edu
HTK Speech Recognition Toolkit - http://htk.eng.cam.ac.uk/
Kaldi: 开源语音识别工具箱 - http://kaldi-asr.org
CNTK - https://www.microsoft.com/en-us/cognitive-toolkit/
计算机视觉工程师
Stanford Vision Lab - http://vision.stanford.edu
CS 131 Computer Vision: Foundations and Applications - http://vision.stanford.edu/teaching/cs131_fall1617/index.html
CS231n: Convolutional Neural Networks for Visual Recognition - http://cs231n.stanford.edu
CS231A: Computer Vision, From 3D Reconstruction to Recognition - http://web.stanford.edu/class/cs231a/
Computer Vision: A Modern Approach - http://cmuems.com/excap/readings/forsyth-ponce-computer-vision-a-modern-approach.pdf
Computer Vision: Algorithms and Applications - http://szeliski.org/Book/drafts/SzeliskiBook_20100903_draft.pdf
Computer Vision: Models, Learning, and Inference - http://www.computervisionmodels.com/
AI技术层岗位必读
自然语言处理工程师
CS224n: Natural Language Processing with Deep Learning - http://web.stanford.edu/class/cs224n/
Natural Language Processing with Python - http://www.nltk.org/book/（视频：https://www.youtube.com/playlist?list=PLQVvvaa0QuDf2JswnfiGkliBInZnIC4HL）
《自然语言处理综论》英文版 - https://web.stanford.edu/~jurafsky/slp3/
《统计自然语言处理》
《Python 自然语言处理》
知识图谱工程师
Introducing the Knowledge Graph: things, not strings - https://googleblog.blogspot.no/2012/05/introducing-knowledge-graph-things-not.html
Knowledge Graph - https://www.youtube.com/playlist
list=PLOU2XLYxmsII2vIhzAyW6eouf62ur2Z2q
知识图谱技术综述 - http://www.xml-data.org/dzkj-nature/html/201645589.htm
Lean Semantic Web - https://github.com/baojie/leansemanticweb
北京知识图谱学习小组 - https://github.com/memect/kg-beijing
知识图谱怎样入门？ - https://www.zhihu.com/question/52368821
路线 8：推荐系统工程师
路线 9：对话系统工程师
路线 10：自动驾驶工程师
AI应用岗位必读
推荐系统工程师
Coursera Recommender Systems 专项课程 - https://www.coursera.org/specializations/recommender-systems
Item-Based Collaborative Filtering Recommendation Algorithms - http://www.ra.ethz.ch/cdstore/www10/papers/pdf/p519.pdf
The Netflix Recommender System: Algorithms, Business Value, and Innovation - http://delivery.acm.org/10.1145/2850000/2843948/a13-gomez-uribe.pdf
Deep Neural Networks for YouTube Recommendations - https://research.google.com/pubs/pub45530.html
关于对话系统
检索型单轮机器人（FQA-Bot）涉及到的技术和信息检索类似。因为 query 和候选答案包含的词都很少，所以会利用同义词和复述等技术对
query 和候选答案进行扩展和改写
知识图谱型机器人（KG-Bot，也称为问答系统），利用知识图谱进行推理并回答一些事实型问题。知识图谱通常把知识表示成三元组—— ( 主
语、关系、宾语 ) ，其中关系表示主语和宾语之间存在的某种关系
任务型多轮机器人（Task-Bot）通过多次与用户对话交互来辅助用户完成某项明确具体的任务。除了与语音交互的 ASR 和 TTS 部分，它的
流程还包括语言理解（SLU）、对话管理（DM）和自然语言产生（NLG）
闲聊机器人（Chitchat-Bot）通常使用机器翻译中的深度学习 seq2seq 框架来产生答复。与机器翻译不同的是，对话中用户本次 query 提供
的信息通常不足以产生合理的答复，对话的历史背景信息同样很重要
AI应用岗位必读
自动驾驶入门测试题
基于传感器融合的空间定位技术
基础知识：Android 编程
涉及技术点：时间同步、GPS 定位、IMU 位置跟踪、特征点提取、立体视觉
步骤：
第一步，取原数据：写一个 ANDROID 程序实时获取当前 GPS 数据，IMU 数据，以及图片数据，在每个数据上打精准时间戳（入门难度）
第二步，根据原数据推算出每个图片的位置信息（中等难度）
第三步，把每个图片的特征点提取出来，估算出每个特征点的粗略位置（进阶难度）
AI工作中所用的深度学习框架
CSDN 2017年中国开发者大调查数据显示，Google的TensorFlow毫无疑问是大家使用量最大的深度学习框架，使用比例高达37%；此外，
Facebook的Caffe也有12%的使用比例，Torch/PyTorch为11%。值得一提的是Keras等上层封装更好的开发环境，在新手中颇受欢迎，第二季度便
已超过Torch，大有赶超TensorFlow的劲头。
AI工作中所用的算法与模型
据CSDN 2017年所做的中国开发者大调查数据显示，传统机器学习方法使用量接近2/3。其中，有监督的线性分类、决策树占比29%，无监督的分
层聚类、聚类分析、关联规则学习、异常检测占比21%，还有占比为13%的贝叶斯方法。而最新的生成模型、强化学习、迁移学习方法使用量也有
14%，表现出一定的热度。
模型使用方面，当前大热的CNN类、RNN类模型占比45%，多用于线性分类的支持向量机占比12%；另外，未做进一步细分的传统模型及最新模
非技术人员学AI：产品经理要弄懂技术原理和功能
此文来源于网络 若有侵权 请联系晓雯微信：Pingwen20 删除
网友评论