作为IT开发人员，根据自己的经验简单的做了一下总结，分了两大部分内容：
一、自然语言处理(NLP)
(1)、基础
1、文本清洗(正则、分词与规范化);
2、中文分词(HMM、trie tree、工具有jieba)
3、文法分析
4、词袋模型(ngram)
5、关键词抽取(tfidf、texttrank)
6、语义相似度(term、score、距离函数)
7、文本的向量化表示(word2vec(skip、gram、glove)、elmo、bert)
8、机器学习(lr、svm、bayesian、fast text、)
9、深度学习(textCNN、textRNN、seq2seq、siamese LSTM、DSSM、attention)
(2)、在实际项目中的应用
1、实体识别(应用：医疗智能、对话机器人)、(技术：CRF、bilstm-CRF、PCNN)、(扩展：知识图谱、图数据库)
2、query相似变换(应用：sug、纠错改写)、(技术：elasticsearch 建库索引)
3、文本分类(应用：情感识别、文章类型、意图识别(样本爬取)、语种检测)
4、序列标注(机器翻译、词性标注)
5、文本生成(应用：诗歌对联、摘要生成)、(技术：VAE、GAN)
6、聊天机器人(案例：百度anyQ)
二、图像视觉处理(计算机视觉)
(1)、主要应用
1、主要应用：无人驾驶、医疗影像诊断、安防、人脸识别、视频内容理解、图像分类、图像分割、目标检测、目标跟踪。
2、OpenCV
3、图像分类(CNN、AlexNet、LeNet、VGG、ResNet、Fast-RCNN)
4、图像检索(距离度量与检索、图像特征抽取、LSH近邻检索算法)
上面两大内容中要学习的内容分为三个阶段
第一阶段：人工智能基础。包括编程基础：机器学习深度学习框架例如tensorflow/pytorch;数学基础：高等数学，线性代数，概率论，统计学知识;机器学习基础：决策树，逻辑回归，聚类算法，支持向量机，集成学习;深度学习基础：反向传播，链式求导，卷积神技网络，循环神经网络等。
第二阶段：算法在NLP领域的实践应用。基础的NLP任务：词法分析，包括：分词，词性标注等;句法依存分析;语义表示与语言模型;命名实体识别;文本分类;文本生成;机器翻译;信息检索等。
第三阶段：算法在CV领域的实践应用。CV图像处理的基础，opencv的框架;同时也是基于cv领域应用最广的几种任务：图像分类;语义分割;图像目标检测;目标跟踪;序列分析。
需要必备的知识有:
1、线性代数：如何将研究对象形式化?
2、概率论：如何描述统计规律?
3、数理统计：如何以小见大?
4、最优化理论：如何找到最优解?
5、信息论：如何定量度量不确定性?
6、形式逻辑：如何实现抽象推理?
7、线性代数：如何将研究对象形式化?人工智能简介:1、人工智能(ArtificialIntelligence)，英文缩写为AI。
2、它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能涉及的学科:哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。
人工智能入门需要掌握的知识有：自然语言处理、机器学习、计算机视觉、知识表示、自动推理和机器人学。虽然这些领域的侧重点各有不同，但是都需要一个重要的基础，那就是数学和计算机基础。
温馨提示：答案为网友推荐，仅供参考