下面根据我的履历，给你呈现一个软件工程师进入人工智能领域的“学习路线图”，希望可以帮助到想转型进入人工智能领域的同学。

数学根本

机器学习有时候也被称为统计学习，实在便是统计大量历史数据中的规律，构建算法模型，再利用模型对现在的数据进行分类和预测。
以是学习机器学习算法，先要复习一下统计学和概率论方面的知识。

很多算法的特色与函数都用向量空间表示，很多大数据算法打算也可以转化为矩阵与向量打算。
比如PageRank算法就可以将网页间的链接关系表示为一个稀疏矩阵，所有页面的PageRank值构成一个向量，然后将矩阵与向量不断迭代相乘就可以了。
因此，你还须要再复习一下线性代数的知识。

专栏前面我们谈论过机器学习的数学事理，机器学习算法的推导过程，实在便是在模型假设空间探求使构造风险为极小值的模型，而数学上的极小值便是一阶导数为0的值，因此还须要复习一下高档数学。

机器学习算法

大家普遍认为，系统学习机器学习算法最好的入门级课程是斯坦福大学的机器学习公开课，这门课程由吴恩达讲授，非常经典。
还有几本比较经典的书本可以和公开课相互参照，比如周志华的《机器学习》，俗称“西瓜书”，比较普通易懂，适宜入门；李航的《统计学习方法》，偏数学一些，可以时时翻看。

如果只是纯挚学习算法，会比较呆板，须要不断做一些算法的编程练习，除了学习过程中的一些算法编程练习，还可以参考《集体聪慧编程》这本书，书中的例子都比较实用，可以根据书中的数据和代码进行练习。
这本书侧重代码和运用，很适宜软件工程师进行入门练习，不过这本书短缺算法的事理剖析，算法比较少也偏大略。

以上这些书本或者课程基本上都是大学教材或者相似课程的难度，如果要成为机器学习算法专家，就须要自己探求一些更专业的书本和论文来看了，这些资料紧张因此英文为主，以是也须要你有不错的英语根本。

大数据技能与机器学习框架

在小规模的数据集上做算法练习，用Python程序在单机上运行就可以了，但是在真正的生产环境中，须要面对海量的数据处理打算需求，这就须要用到我们专栏前面谈论过的各种大数据技能产品。
各种主流大数据产品都有自己的机器学习框架与算法库，比如Hadoop上有Mahout、Spark上有MLlib，借助这些算法库和工具，可以较快速地在大数据平台上开拓机器学习运用程序。

Mahout和MLlib紧张支持传统的机器学习算法，业界还有几款比较有名的深度学习框架：TensorFlow、Caffe，Intel也开源了基于Spark的深度学习库BigDL。

人工智能运用

学了这么多机器学习的知识，终极的目的还是运用，业界实在不缺懂算法的专家，但是却非常短缺能够将机器学习和业务结合，产生实际代价的专家。
要想实现人工智能真正落地，一方面须要懂大数据和机器学习算法，另一方面须要深入理解详细的领域知识，能够创造业务中的痛点，并能够选择最得当的算法办理这个痛点。

很多时候办理问题不须要多么高大上的技能和算法，很普通的算法用对地方，也能产生巨大的效果，这才是业界最短缺的，而这也正是从软件开拓转型人工智能的技能职员的上风，有多年的领域开拓积淀，有技能实现和验证的能力，再加上大数据和机器学习能力加持，几项结合产生化学反应，大概能在自己的企业和行业领域创造出巨大的代价。

根据Gantner发布的2018年人工智能技能成熟度曲线，我给你总结一下目前人工智能技能的发展状况，供你参考。

处于上升阶段，即具有长远发展前景的人工智能技能包括：

人工智能管理：根据人工智能模型和数据管理企业，包括决策权的划分、组织构造、绩效管理等。
通用人工智能：目前的人工智能仅仅在相对封闭、重复的场景中适用，稍稍扩大运用范围，特殊是和人类交互的时候，常常表现得非常“弱智”。
但是放到更长远来看，通用人工智能，即强人工智能还是值得期待的。
知识图谱：将具有各种关联关系的信息通过图的办法组织在一起，自动创造各种信息、数据、资产、商品、人、知识等各种关系并加以利用。
神经形态硬件：按照神经网络神经元形态布局硬件，即“芯片大脑”。
自然措辞天生：根据语境语义自动天生自然措辞，既可以天生各种有格式化的报告，也可以天生诗词歌赋等文艺作品。

处于顶部，被众人期待，但是可能有些过热的人工智能技能包括：

人工智能平台即做事：最近几年，各家云做事厂商都在加大云做事平台上人工智能的投入和宣扬，百度宣告自己All in人工智能，阿里云人工智能也霸占了云平台的主要板块。
深度神经网络专用芯片：针对深度学习算法专门设计的芯片，拥有比GPU更好的打算性能。
智能机器人：不同于工厂流水线上的工业机器人，智能机器人用于酒店、机场、餐厅、医院，与人交互，直接手事人类。
语音交互：以语音识别、自然措辞理解、语音合成技能为根本的语音交互技能，以智能语音客服为代表的各种谈天机器人、虚拟助理等语音交互产品。
智能运用：为各种传统软件系统赋能人工智能，在ERP、CRM等各种传统运用中集成人工智能特性。
图形剖析：根据图形剖析数据特性，创造数据聚类特性，创造伶仃点，还可进行路径优化等。
目标剖析：通过人工智能优化决策剖析，创造达成预定条件目标的首选行动方案。
深度学习：运用比较广泛的是卷积神经网络和递归神经网络，在图片、语音、***等非构造化数据处理方面有良好效果。
自然措辞处理：传统上自然措辞处理的方法是语法与语义剖析，但是现阶段越来越多利用深度学习进行自然措辞处理。
虚拟助理：通过语音交互的形式，为用户订票、订餐、打车等，仿佛一个虚拟的个人助理。

经由泡沫洗礼，关注度下滑，进入镇静期的人工智能技能：

打算机视觉：通过获取、剖析现实物理天下的图片和***，提取出故意义的信息。
包括机器视觉、光学字符识别、图像识别、模式识别、人脸识别、边缘检测和运动检测等，可运用于自动驾驶、生物识别、虚拟现实各种领域。
预测剖析：预测将来要发什么、将来会发生什么，紧张基于回归剖析、多元统计、模式匹配、预测建模等机器学习技能。
很多时候，预测有一定效果，但是距人们的期望还有一定间隔。
自动驾驶：利用激光雷达、摄像头、GPS和舆图数据等多种车载传感和定位技能，结合机器学习模型实现车辆在无人掌握的情形下自动驾驶。
从人工智能角度看，自动驾驶技能上该当已经趋于成熟，但是详细运用看起来还很迢遥。
增强现实AR：将虚拟的文本、图形、***叠加到现实的***上，起到增强现实的效果。
在各种谍战片里，特工们戴着炫酷的AR眼镜无所不能；但在现实中，大规模商用还尚不成熟。

人工智能将会引领下一次科技革命的浪潮，基本已经得到人们的普遍认可，但是越是革命性的事物，道路越是困难；不过道路越是困难，收成越是巨大。
人工智能对我们生产生活的改造将是全方位的，不管你现在身处什么领域，总能找到和人工智能结合的机会，期待将来人工智能科技革命的浪潮中看到你的身影。