想转 AI 工程师？这份 11 模块路线图给你列全了

AI 工程师：终极学习路线图

├── 01 编程基础
│ ├── Python、NumPy 和 Pandas
│ ├── 数据结构与算法
│ ├── Git、Linux 和命令行
│ └── 测试、调试与整洁代码
│
├── 02 数学与统计学
│ ├── 线性代数
│ ├── 概率论与统计学
│ ├── 微积分与梯度
│ └── 优化与损失函数
│
├── 03 面向 AI 的数据工程
│ ├── 数据采集与 API
│ ├── SQL、数据建模与数据仓库
│ ├── 数据清洗与标注
│ ├── 特征工程与数据质量
│ └── 数据管道与版本管理
│
├── 04 机器学习
│ ├── 监督学习与无监督学习
│ ├── 回归、分类与聚类
│ ├── 特征选择与模型训练
│ ├── Scikit-learn 与基线模型
│ └── 交叉验证与超参数调优
│
├── 05 深度学习
│ ├── 神经网络与反向传播
│ ├── PyTorch 或 TensorFlow
│ ├── CNN、RNN 与 Transformer
│ ├── GPU 训练与微调
│ └── 正则化与优化
│
├── 06 大语言模型与生成式 AI
│ ├── Token、上下文窗口与采样
│ ├── Transformer 架构与注意力机制
│ ├── 提示工程与结构化输出
│ ├── 嵌入与向量搜索
│ └── RAG（检索增强生成）
│
├── 07 AI 应用工程
│ ├── LLM API 与 SDK
│ ├── 工具调用与函数模式
│ ├── AI 智能体与工作流编排
│ ├── MCP 与外部集成
│ └── 记忆、护栏与人机协同
│
├── 08 评估与实验
│ ├── 构建具有代表性的评估数据集
│ ├── 模型指标与错误分析
│ ├── LLM 作为评判与人工验证
│ ├── 幻觉与安全测试
│ └── A/B 测试与在线评估
│
├── 09 MLOps 与基础设施
│ ├── Docker 与云基础
│ ├── 模型服务与推理 API
│ ├── CI/CD 与基础设施即代码
│ ├── 实验跟踪与模型注册
│ └── 监控、漂移检测与重训练
│
├── 10 生产、安全与优化
│ ├── 身份验证与数据隐私
│ ├── 提示注入与 AI 威胁建模
│ ├── 延迟、吞吐量与成本优化
│ ├── 缓存、批处理与量化
│ └── 日志、追踪与故障恢复
│
└── 11 真实世界 AI 项目
├── 训练并部署一个预测性机器学习模型
├── 构建一个基于文档的 RAG 助手
├── 创建一个会使用工具的 AI 智能体
├── 微调并评估一个开源模型
└── 上线一个带监控与反馈的 AI 功能

AI 工程师不只是训练模型或做演示。他们把数据和模型变成智能、可靠、可扩展的产品，解决真实世界的问题。

学习基础。构建真实系统。持续评估。部署到生产环境。