两万字解析AIoT智能物联网工程师学习路线，C站最全路线谁赞成谁反对？

Posted 2021-08-27 lland5201314

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了两万字解析AIoT智能物联网工程师学习路线，C站最全路线谁赞成谁反对？相关的知识，希望对你有一定的参考价值。

大家好，我是老白。

今天给大家带来AIoT智能物联网工程师学习路线规划以及详细解析。

AIoT智能物联网工程师学习路线详解

AIoT学习路线规划

学习阶段

阶段

名称

主题

阶段一

Python 基础与科学计算

掌握 Python 基础语法, 具备基础的编程能力；完成

小游戏开发；数据科学常用库开发：NumPy、

Pandas、Matplotlib 常用 Python 数据分析库的使用

阶段二

算法数学基础

掌握高等数学，概率，离散数学；以及常见面试题

解析

阶段三

线性回归算法

掌握线性回归，各种优化等算法，Ridge、Lasso 回归，掌握正则化算法。

阶段四

线性回归分类算法

掌握逻辑回归、Softmax、SVM 支持向量机算法，掌握 SMO 优化算法。

阶段五

无监督学习算法

掌握聚类算法、掌握 PCA 降维原理与推到，掌握 EM算法，掌握 GMM 算法应用与原理。

阶段六

决策树系列算法

掌握决策树算法原理，掌握随机森林、Adaboost 提

升算法、GBDT 提升树算法，XGBoost 算法。

阶段七

Kaggle 实战

通过实战，提升对基础算法的理解和应用。

阶段八

概率图模型算法

掌握贝叶斯算法、HMM 算法、最大熵模型、CRF 算法

阶段九

深度学习课程大纲

OpenCV 机器视觉开发；

TensorFlow 深度学习框架；

PyTorch 深度学习框架；目标检测经典模型算法；目标检测 YOLO 算法

阶段十

C 语言高级编程

数据类型、运算符和表达式、输入和输出、流程控

制、数组、函数、预处理、指针、结构体、C 语言编程高阶

阶段十一

数据结构和算法

链表、栈和队列、二叉树、图、排序算法、查找算

法

阶段十二

Linux 高级程序

设计

shell 编程、Linux 文件 IO、Linux 并发编程、

阶段十三

Linux 网络编程

网络编程预备知识、TCP 编程、UDP 编程、多播、

组播、IO 复用

阶段十四

Linux 数据库编

程

mysql、Sqlite、Mysql C 语言编程接口、Sqlite3 C

语言编程接口

阶段十五

C++应用软件开

发

类和对象、封装、继承、多态、泛型编程、STL、算

法、QT 应用软件开发

阶段十六

嵌入式传感器编

程

RS232、RS485、Linux 串口编程、GPIO 编程、烟雾

传感器、温湿度传感器、继电器等

阶段十七

音视频编程

音视频编程原理、H264、FMpeg、音视频网络传输、

RTMP 直播、科大讯飞语音识别

阶段十八

5G 物联网应用

开发

ARM 体系结构、STM32 应用开发、UCOS、

FreeRTOS、蓝牙、zigbee、NB-IoT

阶段十九

嵌入式 Linux 系

统移植及驱动开发

Uboot、Linux 内核、Linux 文件系统、MMU、内存管理、字符设备驱动、块设备驱动、平台驱动

学习项目

项目一

从OCR到STR

文本检测与识别

掌握文本识别项目的特点和整体流程，模型部署，传统CV的文本检测算法，端到端的文本检测识别模型介绍

项目二

智能聊天机器人

掌握智能聊天机器人概述和业界进展，文本类匹配，句子相似度匹配，异质文本相似度匹配，多轮对话技术进展

项目三

计算机视觉医疗系统

掌握数字图像处理，图像认知、表示

，计算机视觉经典任务，深度学习框架分析，经典网络设计，图像分割技术应用等

项目四

计算机视觉与电商

掌握图像预处理，图像特征，神经网络与深度学习，图像分类，目标检测

项目五

智能交通地理信息系统

掌握城市街道车辆多目标追踪项目实战，大规模地标图像检索，特征模型，搜索与排序方法，城市街道车辆多目标追踪项目实战

项目六

乳腺癌医学影像检测

掌握迁移学习，图像几何学基础知识，

Densnet201在医学检测上的应用

项目七

交通标志识别

掌握，YOLO网络框架，掌握卷积神经网络

项目八

车道线检测

掌握，OpenCV机器视觉框架，了解图片处理方法

项目九

汽车车牌识别

掌握，YOLO目标检测项目，掌握

TensoFlow文字识别原理。

项目十

手势识别

掌握OpenCV图片采集技术，掌握

TesorFlow图片识别卷积神经网络

项目十一

驾驶员表情识别

掌握，OpenCV机器视觉框架，了解图片处理方法。TesorFlow图片识别卷积神经网络

项目十二

智能停车场管理系统

掌握面向对象程序设计、opencv图像处理、传感器编程、TCP编程、udp编程、

STL容器、MySQL数据库、Sqlite3数据库、文件IO

项目十三

基于STM32的智能小车

掌握STM32编程、FreeRTOS、红外传感器编程、超声波测距编程、直流电机编程、蓝牙编程、红外遥控、LC1602A显示编程

项目十四

智能温室大棚控制系统

掌握STM32编程、FreeRTOS操作系统

、ZigBee编程、传感器编程、RFID编程、 NB-IoT

项目十五

基于ZigBee的智能物流仓储系统

掌握STM32、FreeRTOS、ZigBee组网技术、RFID、传感器编程、NB-IoT

项目十六

人工智能工业分拣系统

掌握嵌入式LinuxPython编程、Qt编程、

STM32开发、机械臂开发、TensorFlow开发、AI语音识别技术、AR开发

项目十七

智能家居控制系统

掌握嵌入式Linux开发、QT编程、传感器开发、数据库开发、音视频开发、语音识别、蓝牙Mesh组网

项目十八

智慧教室终端

掌握嵌入式Linux开发、并发编程、

socket编程、QT开发、传感器编程、

Sqlite3数据库、语音识别、人脸识别

项目十九

智能无人小车

掌握嵌入式Linux、Python编程、PyQt编程、ROS操作系统、Opencv、Slam、

TensorFlow开发、AI语音识别技术

项目二十

基于NB-IoT的共享单车

掌握STM32开发、传感器编程、NB-IoT模块编程、NB-IoT通信

AIoT介绍

广泛的定义来看，AIoT 就是人工智能技术与物联网在实际应用中的落地融合。它并不是新技术，而是一种新的 IoT 应用形态，从而与传统 IoT 应用区分开来。如果物联网是将所有可以行使独立功能的普通物体实现互联互通，用网络连接万物，那 AIoT则是在此基础上赋予其更智能化的特性，做到真正意义上的万物互联。

既掌握 AI 开发技术，又掌握物联网技术，两者完美结合，大放异彩

培养目标

学习路线培养目标

熟练掌握 C/C++编程语言，掌握面向对象程序设计方法。
熟练掌握常用数据结构和算法。
熟练掌握 MySQL、sqlite3 基础语法及 C/C++编程接口。
熟练掌握 Linux 应用软件编程方法，熟练使用多线程、多进程编程、socket 编程等进行应用软件开发。
熟练掌握嵌入式 Linux 高级编程技术，如传感器编程、串口编程、V4L2 编程、音视频处理、opencv、科大讯飞语音识别等。
熟练掌握 QT 编程方法。
熟练掌握 ARM 体系结构。
掌握 STM32 开发工具及设计流程。
掌握 STM32 的外围接口使用，如：GPIO、中断、定时器、ADC、UART、看门狗等。
掌握现场总线设计与应用，如：I2C 总线、SPI 总线、CAN 总线、RS485 总线等。
掌握 ZigBee 应用软件开发。
掌握蓝牙 Mesh 组网及应用软件开发。
掌握 NB-IoT 应用软件开发方法，掌握 CoAP、MQTT 协议。
熟悉嵌入式 Linux 内核移植、uboot 移植及 rootfs 制作。
深刻理解嵌入式 Linux 设备驱动开发。
对嵌入式 Linux 系统在视频监控、网络通信、多媒体处理及智能控制领域有深入理解。
熟悉嵌入式人工智能项目的部署与移植开发应用

职业规划目标

C/C++软件开发工程师
Qt 开发工程师
桌面应用软件开发工程师
Linux 后台开发工程师
网游后端开发工程师
嵌入式 Linux 应用开发工程师
音视频开发工程师
物联网应用开发工程师
嵌入式 Linux 驱动开发工程师
嵌入式 Linux 系统移植与裁剪工程师
嵌入式 Linux 多媒体研发工程师
ARM 开发工程师
STM32 应用软件开发工程师
嵌入式 FreeRTOS 开发工程师
嵌入式 ucOS 开发工程师
现场总线控制、现场总线通信应用开发工程师
Python 开发工程师
人工智能开发工程师

一、Python 基础与科学计算

阶段概述：

本阶段讲解，Python 基础语法，NumPy 科学计算模块，Pandas 数据分析模块，

Matplotlib 和 Seaborn 数据可视化模块

达成目标：

通过本阶段学习，让学生快速掌握 Python 语言的特性和语法，并着重对算法这块所涉及的NumPy 科学计算模块和 Pandas 数据分析模块进行讲解。

实战教学项目：

泰坦尼克号数据分析案例
可视化剖析逻辑回归损失函数案例Python 基础语法

Python 基础语法

循环控制
1. 生成器
2. 装饰器
3. 继承
4. 类与对象
5. 函数式编程
6. 常用内建函数
7. 集合操作
8. 数据类型
9. 切片操作

科学计算模块 Numpy

1. 1. Numpy ndarray 对象
  2. Numpy 数据类型
  3. Numpy 数组属性
  4. Numpy 创建数组
  5. Numpy 切片和索引
  6. Numpy 高级索引
  7. Numpy 广播
  8. Numpy 数组操作
  9. Numpy 数学和统计函数
  10. Numpy 排序、条件过滤函数
  11. Numpy 线性代数

数据处理分析模块 Pandas

1. 1. Pandas IO 文件操作
  2. Pandas 索引和数据选择器
  3. Pandas 合并、连接
  4. Pandas 缺失值数据处理
  5. Pandas 数据离散
  6. Pandas 统计计算

数据可视化模块

二、算法数学基础

阶段概述：

本阶段讲解，微积分基础，线性代数基础，多元函数微分学，线性代数高级，概率论，最优化。

达成目标：

通过本阶段学习，掌握后面机器学习算法、深度学习算法涉及的数学知识，使得后面在理解算法推导的过程中游刃有余。如果学员大学数学知识还未忘记或者研究生毕业，这一部分可以先跳过学习后面的知识。

微积分基础

导数的定义
- 一元函数泰勒展开
- 导数与函数凹凸性
- 极值定理
- 导数与函数单调性
- 高阶导数
- 神经网络激活函数的导函数求解
- 复合函数求导法则
- 四则运算法则
- 基本函数求导公式
- 导数几何意义、物理意义
- 左导数、右导数、可导函数

线性代数基础

向量与其运算
- 特殊向量
- 向量范数
- 向量加减、数乘、内积、转置
- 行向量和列向量

矩阵与其运算
- 行列式
- 逆矩阵
- 矩阵加减、数乘、矩阵乘法、转置
- 方阵、对称阵、单位阵、对角阵

多元函数微分学

1) 偏导数

2) 高阶偏导数

3) 梯度

4) 雅可比矩阵

5) Hessian 矩阵

6) 极值判别法则

线性代数高级

1) 二次型

2) 特征值和特征向量

3) 特征值分解

4) 多元函数的泰勒展开

5) 矩阵和向量的求导公式

6) 奇异值分解

7) 奇异值分解计算方式

8) 奇异值分解性质

9) SVD 用于数据压缩

10) SVD 用于 PCA 降维

11) SVD 用于协同过滤

12) SVD 用于矩阵求逆

概率论

1) 随机事件和随机事件概率

2) 条件概率和贝叶斯公式

3) 随机事件的独立性

4) 随机变量

5) 数学期望和方差

6) 常用随机变量服从的分布

7) 随机向量

8) 随机变量独立性

9) 协方差与协方差矩阵

10) 随机向量的常见分布

11) 最大似然估计

最优化

1) 局部最小和全局最小

2) 迭代法求解

3) 梯度下降法推导

4) 牛顿法推导

5) 坐标下降法

6) 数值优化算法的问题

7) 凸集

8) 凸函数

9) 凸优化问题

10) 拉格朗日乘数法

11) 拉格朗日对偶

12) KKT 条件

三、线性回归算法

阶段概述 ：
本阶段讲解，多元线性回归，梯度下降法，归一化，正则化，Lasso 回归，Ridge 回
归，多项式回归。

达成目标 ：
通过本阶段学习，从推导出多元线性回归算法的损失函数，到实现开发和应用算法，再到对算法从数据预处理上，以及损失函数上的优化都将整体彻底掌握。对后面学习更多算法，甚至深度学习都将起到举一反三的效果。

多元线性回归

1) 简单线性回归

2) 最优解与最小二乘法

3) 多元线性回归判别式

4) 多元线性回归的数学假设

5) 利用 MLE 推导出目标函数

6) 对数似然推导出 MSE 损失函数

7) MSE 求偏导得到参数解析解

8) 多元线性回归的 python 代码实现

9) 多元线性回归的 sklearn 代码实战

梯度下降法

1) 梯度下降法原理与公式

2) 学习率设置的学问

3) GD 应用于多元线性回归的流程

4) 全量梯度下降的原理与代码实现

5) 随机梯度下降的原理与代码实现

6) Mini-Batch 梯度下降的原理与代码实现

7) 代码实现增加 MBGD 数据的随机性

8) 代码实现动态调整学习率

归一化

1) 归一化目的与量纲

2) 归一化提高模型精度

3) 最大值最小值归一化与缺点

4) 方差归一化与好处

5) 均值归一化与好处

6) 标准归一化的代码实战与技巧

正则化

1) 提高泛化能力与防止过拟合

2) 正则化用于损失函数

3) L1 与L2 正则项与范数的关系

4) 结合 GD 讲解 L1L2 的几何意义

5) 透过导函数讲解 L1 的稀疏性

6) 透过导函数讲解 L2 的平滑性

Lasso 回归、Ridge 回归、多项式回归

1) Lasso 回归原理与代码实战

2) Ridge 回归原理与代码实战

3) ElasticNet 回归原理与代码实战

4) 升维的意义

5) 多项式回归进行升维原理

6) 多项式升维代码实战

四、线性回归分类算法

阶段概述 ：
本阶段讲解，逻辑回归算法，Softmax 回归算法，SVM 支持向量机算法，SMO 优化
算法。

达成目标 ：
通过本阶段学习，推导逻辑回归算法、SVM 算法的判别式和损失函数，算法的优化、实现算法和应用开发实战。将会对分类算法有深入认知，对于理解后续神经网络算法和深度学习至关重要。

逻辑回归

1) Sigmoid 函数特点

2) 广义线性回归与逻辑回归的数学假设

3) 证明伯努利二项分布属于指数族分布

4) 推导出逻辑回归判别式

5) 推导出逻辑回归损失函数 log loss

6) 推导出损失函数导函数用于最优化

7) 逻辑回归解决多分类问题 OVR

8) 逻辑回归代码实战--鸢尾花数据集分类

Softmax 回归

1) Softmax 函数特点

2) 广义线性回归与 Softmax 回归的数学假设

3) 证明多项式分布属于指数族分布

4) 推导出 Softmax 回归判别式

5) 推导出 Softmax 回归损失函数 cross-entropy

6) 证明逻辑回归是 Softmax 的特例

7) 剖析逻辑回归多分类和 Softmax 多分类的本质区别

8) Softmax 回归代码实战--音乐曲风分类

SVM 支持向量机

1) SVM 与感知机关系

2) 几何距离和函数距离

3) SVM 支持向量机算法原理

4) SVM 的损失函数

5) 硬间隔 SVM 的优化步骤

6) 软间隔 SVM

7) 非线性 SVM 与核函数

8) SVM 在 sklearn 模块中参数详解

9) SVM 人脸识别案例

10) SVM 的概率化输出

11) SVM 的OVO 多分类

12) SVM 的 hinge loss

SMO 优化算法

1) SMO 优化算法的子二次规划问题思路

2) SMO 把目标函数从二元函数变一元函数

3) SMO 推导出新的α和旧的α关系

4) SMO 对α进行剪裁

5) SMO 优化 SVM 算法代码实现

决策树算法

1) 决策树的算法原理与数学表达

2) 分裂指标 Gini 系数、信息增益、信息增益率

3) 前剪枝与后剪枝

4) 决策树 ID3、C4.5 和 CART

5) 决策树算法优略比较

6) 决策树之鸢尾花数据集分类案例

7) 通过 graphvis 绘制决策树模型

随机森林算法

1) 集成学习算法思想 Bagging、Boosting、Stacking

2) 用户画像集成学习方法案例

3) OOB 数据集验证随机森林算法

4) 随机森林副产品之特征选择

Adaboost 算法

1) Adaboost 算法原理

2) 数据的权重与权重错误率

3) 权重错误率调整到 0.5 训练下一个弱分类器

4) 计算每个样本的权重 Un

5) 应用 Adaboost 算法做人脸识别

GBDT 算法

1) 函数空间的梯度下降与负梯度

2) 推导 GBDT 回归是拟合残差

3) Shrinkage 衰减系数的作用

4) 推导 GBDT 分类亦是拟合残差

5) GBDT 二分类模型训练和使用

6) GBDT 多分类模型训练和使用

7) GBDT 副产品之特征组合用于降维

8) 实现 GBDT+LR 架构代码实战

XGBoost 算法

1) XGBoost 算法与决策树集成学习关系

2) XGBoost 目标函数与正则项

3) XGBoost 目标函数用二阶泰勒展开

4) 推导简化 XGBoost 目标函数引入 g h

5) XGBoost 目标函数加入树的复杂度

6) 推导出 XGBoost 目标函数最终形式和叶子节点表达式

7) 详解 XGBoost 算法参数与交叉验证

8) XGBoost 算法调用 GPU 显卡资源加速

五、无监督学习算法

阶段概述 ：
本阶段讲解，K-means 聚类算法，K-means 聚类算法的变形，密度聚类，层次聚类、
谱聚类、PCA 降维算法、EM 期望最大化、GMM 高斯混合模型。

达成目标 ：
通过本阶段学习，掌握无监督机器学习算法的作用和原理，透彻理解聚类和降维的本质区别，今后可以正确选择无监督学习算法，并实战开发。

聚类系列算法

1) 相似度测量方法

2) K-means 算法原理

3) K-means 图像应用案例

4) K-medoids 算法

5) K-means++算法

6) Mini-batch K-means 算法

7) Canopy 聚类算法

8) Agnes 层次聚类算法

9) Diana 层次聚类算法

10) DBSCAN 密度聚类算法

11) Spectral 谱聚类

12) 微博用户聚类分析案例

PCA 降维算法

1) 特征选择与特征映射

2) 最大投影方差原理与推导

3) 最小投影距离原理与推导

4) PCA 过程的中心化

5) Kernelized PCA

6) SVD 奇异值分解用于 PCA

EM 算法

1) Jensen 不等式

2) EM 算法的 E-step

3) EM 算法的M-step

4) EM 在 GMM 公式推导中应用

GMM 算法

1) 单一高斯分布的参数估计

2) 混合高斯分布的似然函数

3) GMM 的计算流程

4) GMM 之图片前景背景分离代码实战

5) GMM 之根据声音判别性别代码实战

6) GMM 之根据声音判别用户代码实战

六、决策树系列算法

阶段概述 ：
本阶段讲解，决策树算法、随机森林算法、Adaboost 算法、GBDT 算法、XGBoost 算
法。

达成目标 ：
通过本阶段学习，掌握非线性决策树系列算法，重点掌握 Kaggle 神奇 XGBoost 算法，理解 GBDT 和 XGBoost 涉及的公式推导，本阶段的掌握将大大提升学员数据挖掘的能力，对于后续理解 Kaggle 实战阶段内容会起到很大的帮助。实战教学项目：

 通过 graphvis 绘制决策树模型

 用户画像集成学习方法案例

 Adaboost 算法做人脸识别

 GBDT+LR 架构代码实现

决策树算法

1) 决策树的算法原理与数学表达

2) 分裂指标 Gini 系数、信息增益、信息增益率

3) 前剪枝与后剪枝

4) 决策树 ID3、C4.5 和 CART

5) 决策树算法优略比较

6) 决策树之鸢尾花数据集分类案例

7) 通过 graphvis 绘制决策树模型

随机森林算法

1) 集成学习算法思想 Bagging、Boosting、Stacking

2) 用户画像集成学习方法案例

3) OOB 数据集验证随机森林算法

4) 随机森林副产品之特征选择