作為IT開發人員，根據自己的經驗簡單的做了一下總結，分了兩大部分內容：

一、自然語言處理（NLP）

（1）、基礎

1、文字清洗（正則、分詞與規範化）；

2、中文分詞（HMM、trie tree、工具有jieba）

3、文法分析

4、詞袋模型（ngram）

5、關鍵詞抽取（tfidf、texttrank）

6、語義相似度（term、score、距離函式）

7、文字的向量化表示（word2vec(skip、gram、glove)、elmo、bert）

8、機器學習（lr、svm、bayesian、fast text、）

9、深度學習（textCNN、textRNN、seq2seq、siamese LSTM、DSSM、attention）

（2）、在實際專案中的應用

1、實體識別（應用：醫療智慧、對話機器人）、（技術：CRF、bilstm-CRF、PCNN）、（擴充套件：知識圖譜、圖資料庫）

2、query相似變換（應用：sug、糾錯改寫）、（技術：elasticsearch 建庫索引）

3、文字分類（應用：情感識別、文章型別、意圖識別（樣本爬取）、語種檢測）

4、序列標註（機器翻譯、詞性標註）

5、文字生成（應用：詩歌對聯、摘要生成）、（技術：VAE、GAN）

6、聊天機器人（案例：百度anyQ）

二、影象視覺處理（計算機視覺）

（1）、主要應用

1、主要應用：無人駕駛、醫療影像診斷、安防、人臉識別、影片內容理解、影象分類、影象分割、目標檢測、目標跟蹤。

2、OpenCV

3、影象分類（CNN、AlexNet、LeNet、VGG、ResNet、Fast-RCNN）

4、影象檢索（距離度量與檢索、影象特徵抽取、LSH近鄰檢索演算法）

上面兩大內容中要學習的內容分為三個階段

第一階段：人工智慧基礎。包括程式設計基礎：機器學習深度學習框架例如tensorflow/pytorch；數學基礎：高等數學，線性代數，機率論，統計學知識；機器學習基礎：決策樹，邏輯迴歸，聚類演算法，支援向量機，整合學習；深度學習基礎：反向傳播，鏈式求導，卷積神技網路，迴圈神經網路等。

第二階段：演算法在NLP領域的實踐應用。基礎的NLP任務：詞法分析，包括：分詞，詞性標註等；句法依存分析；語義表示與語言模型；命名實體識別；文字分類；文字生成；機器翻譯；資訊檢索等。

第三階段：演算法在CV領域的實踐應用。CV影象處理的基礎，opencv的框架；同時也是基於cv領域應用最廣的幾種任務：影象分類；語義分割；影象目標檢測；目標跟蹤；序列分析。

人工智慧入門需要掌握的知識有：自然語言處理、機器學習、計算機視覺、知識表示、自動推理和機器人學。雖然這些領域的側重點各有不同，但是都需要一個重要的基礎，那就是數學和計算機基礎。