乐于分享
好东西不私藏
夜雨聆风 > > 办公文件 > AI学习路径完全解析(一)职业学习路径篇

AI学习路径完全解析(一)职业学习路径篇

当前时间： 2026-08-17 18:22:09 分类：办公文件 评论(0)
AI学习路径完全解析(一)职业学习路径篇
废话不多说，直接进入主题。
目前AI的学习路径一直处于零散状态，并未有完整的职业或技能路径呈现出来，本文根据国内外的自学研究，为大家分享并结构化AI的学习路径。本人也正在学习中，会实时更新和完善。
本文结构如下：
AI的学习路径
职业学习路径（本次分享）
技能学习路径（下次分享）
职业学习路径：
A. 数据分析师
1. SQL数据分析师：
掌握查询数据库、分析结果并成为精通 SQL 的数据分析师所需的 SQL 技能。
涉及数据分析、数据处理、函数、统计学、数据可视化等。
2. Python数据分析师：
Python 数据分析技能。 掌握数据分析师技能，能够处理、分析和可视化数据。
涉及pandas数据处理、统计、可视化、Python抽样、Python假设检验等
3. R数据分析师：
使用 dplyr 进行探索性数据分析到使用 ggplot2 进行数据可视化。
涉及Tidyverse、dplyr数据处理和表连接、统计学、可视化、抽样、假设检验等
4. Databricks数据分析师：
Databricks、SQL、数据可视化和 Lakehouse Platform 管理。
涉及数据工程、数据管理等
B. BI分析师（常用的）
1. Power BI 分析师：
建模和可视化数据所需的 Power BI 技能。
涉及DAX、数据可视化、数据准备、数据转换、数据建模等

2. Tableau 分析师：

掌握 Tableau 进行数据分析。

C. 数据工程师
1. SQL数据工程师：
学习数据工程基础：数据库设计和数据仓库，并掌握包括 PostgreSQL 和 Snowflake 在内的技术。
2. Python数据工程师：
掌握高需求技能，高效摄取、清洗、管理数据，并调度和监控管道；了解现代数据架构的关键组件，从摄取和服务到治理与编排。
涉及云计算、shell、容器化与虚拟化、dbt、NoSQL、DevOps、Docker、PySpark、RDD、Streaming、Kafka、Kubernetes等
3. Databricks数据工程师：
通过 SQL、Python 和 Spark 在 Databricks 上学习数据工程，并为 Databricks Certified Data Engineer Associate的能力做储备。
涉及Databricks SQL、Python、Git、Lakehouse、PySpark、Spark SQL等
4. Snowflake数据工程师：
学习在 Snowflake 中进行设计、查询和构建，掌握用于转换和建模的 Snowflake SQL，成为具备就业能力的数据工程师。
5. Java数据工程师：
培养数据工程所需的核心 Java 技能，从文件处理和数据库集成到性能优化。
D. 数据科学家
1. Python数据科学家：
学习 Python 中的数据科学，从数据处理到机器学习。 此路径提供成为数据科学家所需的基础技能。
  • 涉及pandas数据连接与处理；
  • Python统计学；
  • Matplotlib数据可视化；
  • Seaborn数据可视化；
  • 数据清洗、抽样；
  • 假设检验、实验设计；
  • scikit-learn监督学习；
  • 无监督学习；
  • 树模型机器学习；
  • Git等。
2. R数据科学家：
学习如何使用 R 进行数据科学，从数据处理到机器学习。
  • 涉及Tidyverse；
  • dplyr；
  • R统计学；
  • ggplot2可视化；
  • 数据清洗；
  • 探索性数据分析；
  • 回归、抽样、统计学；
  • 无监督学习；
  • 面向业务的机器学习；
  • 特征工程；
  • Git等。
E. 机器学习科学家
1. Python的机器学习科学家：
使用 Python 探索机器学习，并朝着成为机器学习科学家的目标迈进。 探索监督学习、无监督学习和深度学习。
  • 涉及使用scikit-learn的监督学习;
  • 无监督学习;
  • 线性分类;
  • 树模型机器学习;
  • 使用XGBoost的极端梯度提升;
  • 聚类分析、降维;
  • 机器学习预处理;
  • 时间序列机器学习;
  • 机器学习特征工程;
  • 模型验证;
  • 超参数调优;
  • 自然语言处理、自然语言处理特征工程;
  • 图像处理;
  • PySpark及机器学习等。
2. R的机器学习科学家：
研究新的方法并构建机器学习模型。
  • 涉及监督学习（分类、回归）;
  • 特征工程;
  • 无监督学习;
  • Tidyverse的机器学习;
  • 中级回归;
  • 聚类分析;
  • 使用caret的机器学习;
  • 使用tidymodels建模;
  • 树模型机器学习;
  • 支持向量机、降维;
  • 贝叶斯数据分析;
  • 超参数调优;
  • 使用rstanarm进行贝叶斯回归建模;
  • 使用sparklyr等。
F. 机器学习工程师
掌握机器学习工程和 MLOps 所需的一切知识。
  • 涉及使用scikit-learn的监督学习;
  • MLOps概念;
  • MLOps部署及生命周期管理;
  • shell入门;
  • MLflow;
  • 使用Python 的 ETL 和 ELT;
  • 用 Python 的 Great Expectations 库确保数据科学和数据工程工作流中的高数据质量;
  • DVC数据版本管理;
  • 机器学习监控（了解在生产环境中监控机器学习模型的挑战，包括数据漂移和概念漂移，以及应对模型退化的方法）;
  • 在 Python 中构建基础机器学习监控系统所需的一切知识;
  • 了解 Docker 入门;
  • 掌握它在数据专业人士工具箱中的重要性;
  • 用 GitHub Actions 和 Data Version Control 通过 CI/CD 提升你的机器学习开发。
G. AI工程师（下面以Open AI为例）
1. 面向开发者的AI工程师：
了解如何使用 API 和开源库将 AI 集成到软件应用程序中。
  • 涉及API的使用；
  • 浏览并使用 Hugging Face Hub 上丰富的模型和数据集资源；
  • 了解 LLMOps 从构想到部署，掌握其生命周期与挑战，并学会将这些概念应用到应用中；
  • 借助 OpenAI Responses API 和 GPT-5，构建智能、交互式且可靠的 AI 应用；
  • 用 OpenAI 的嵌入模型解锁更高级的 AI 应用，如语义搜索；
  • 了解 Pinecone 向量数据库构建AI应用；
  • 了解模块化、文档和自动化测试即Python的软件工程原理；
  • 了解如何使用 LLM、提示、链和代理在 LangChain 中构建 AI 驱动的应用程序。
2. 面向数据科学家的AI工程师：
  • 训练并微调最新的 AI 模型以用于生产环境，包括像 Llama 3 这样的 LLM；
  • 用 Python 中的 scikit-learn 提升你的机器学习技能、学习如何使用 scikit-learn 和 scipy 对无标签数据集进行聚类、转换、可视化并提取洞察；
  • 浏览并使用 Hugging Face Hub 上丰富的模型和数据集资源；
  • 学习如何在 PyTorch 中构建你的第一个神经网络、调整超参数，并解决分类和回归问题；
  • 掌握使用 Scikit-learn、SHAP 和 LIME 测试并构建透明、可信且可问责的 AI 系统的核心技能；
  • 了解用于建模图像和序列数据的基础深度学习架构，如 CNN、RNN、LSTM 和 GRU；
  • 掌握LLM的核心原理及其所基于的革命性Transformer架构；
  • 探索在本地运行 Llama LLM 并将其集成到你的技术栈中的最新技术；
  • 了解 MLOps 如何将机器学习模型从本地实验带到生产环境中运行，并创造实际业务价值；
  • 了解模块化、文档和自动化测试即Python的软件工程原理；掌握 Git 基础，管理软件和数据项目的版本控制；
  • 掌握 Python 测试： 掌握方法、创建检查，并使用 pytest 和 unittest 确保代码无错误。

H. 统计学家
通过R收集和分析数据，帮助公司理解定量数据，包括发现趋势和进行预测。
  • 涉及R统计学；
  • 随机变量、分布和条件化的概念；
  • 用 R 实现、分析并解读回归分析；学习使用多个解释变量进行线性回归和逻辑回归；
  • 掌握抽样，用更少的数据获得更准确的统计结果；
  • 了解如何以及何时在 R 中使用假设检验，包括 t 检验、比例检验和卡方检验；
  • 学习基础实验设计，这是任何数据分析的关键组成部分；
  • 学习调查设计，掌握常见设计结构，并可视化和分析调查结果；
  • 学习在R中如何拟合带随机效应的层级模型；
  • 学习处理时间到事件数据；
  • 了解贝叶斯数据分析是什么、如何运作，以及为何它是数据科学工具箱中的实用工具；
  • 用探索性和验证性因子分析探索潜变量；
  • 学习如何通过称为统计推断的过程，根据样本数据对总体得出结论。

    【欢迎扫码关注与加入】