有一段时间没有更新，我们继续把AIgents的内容更新完成…
AIgents提供了清晰可交互的学习路线图，在数据科学和机器学习领域的探索过程中，有了这张地图，你就不容易再迷路了！
接上两篇关于AIgents的文章《AI学术 | AIgents 数据科学和机器学习，精准省时又免费的学习向导! (一)》和《AI学术 | AIgents 在数据科学和机器学习领域的学习向导! (二)》，我们继续探索数据科学和机器学习的交互式Roadmap（Interactive Roadmap)。
1. 选择深耕路径
主要有三条路径，一条是数据科学，再往下就是机器学习和深度学习；另外一条是数据工程；此外还有Python工程，这个目前还没提供服务。
1.1 数据科学
主要包含两大部分：
一块是统计部分，包括概率理论、连续分布、离散分布、汇总统计、大数法则、假设验证、置信区间、蒙特卡洛等模块。主要强调的是概念和理论，对于其中任意概念，都可以点击进入进行深入了解。
比如进入Chi-squared, “卡方分布是一种统计分布，用于描述理论假设数据与实际数据之间的关系。它是假设检验中的非参数检验，用于确定双变量数据或记录中两个分类特征之间的关联。该分布是伽玛分布的特例，通常用于卡方拟合优度检验和卡方独立性检验。”
并且还关联Towards data science中高相关度的文章，可供阅读释疑。
另一块是数据可视化，主要提供的是各类可视化工具，其中涉及到的知识点和工具大家可以自行探索。
点击”Chart Suggestions”，可以概览所有的可视化图形。
选择相应的图例，便会提供相应图例的解释，比如箱图。
1.2 机器学习
机器学习主要分为了这几大块，一块是机器学习的基本概念，一块是机器学习方法，一块是通过Python来实现机器学习实践，最后一块是机器学习模型的部署实践。
基本概念包括，数据的基本类型，训练高泛化能力所需检验的Cost函数和梯度下降，机器学习常见的过拟合与欠拟合问题，用于训练和测试模型的数据，用于验证模型的性能参数如Precision和Recall，模型中常出现的高Bias和Variance问题等。
机器学习的几种基本类型，包括监督学习、无监督学习、集成学习和强化学习，而具体到各类型的学习，又提供了相应的机器学习的算法，具体大家可以自行探索。
机器学习的实践离不开Python和相应的库，比如常用的Scikit-learn，数据预处理Pandas，神经网络Tensor-flow, pytorch，数据分析图形展示Matplotlib等。
在模型训练并验证完成之后，就需要将模型部署至实际的环境中，这里就会用到Kubernetes, Dockers等。大家可以沿着这条路径尝试一个完整的机器学习Pipeline。
接下来是深度学习部分，你可以在下面找到深度学习工程师路线图，即有关如何成为深度学习专家的分步指南。当然，这不是初学者赛道，在踏上这条道路之前，请确保你已经完成了上述的路线图。首先就是要学会看Paper！
篇幅所限，将在后续的文章继续探讨Deep Learning的学习路线图，将继续完善深度学习部分…
Reference:
[1]https://aigents.co/learn/roadmaps/data-science-roadmap
[2]https://datavizcatalogue.com/
[3]https://aigents.co/learn/roadmaps/machine-learning-roadmap
HAVE FUN!
Let’s SciChat，你的专属AI学术和工程助手
来扫我吧~
原创文章，作者：门童靖博士，如若转载，请注明出处：https://www.agent-universe.cn/2023/08/10924.html
