AI-Expert-Roadmap
GitHub 3万星！可视化 AI 学习路线图，六大职业路径一图全覆盖
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
GitHub 3万星！可视化 AI 学习路线图，六大职业路径一图全覆盖
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
如果你是一个刚踏入 AI 领域的新人，面对机器学习、深度学习、数据科学、数据工程等众多方向，一定有过这样的困惑：到底该从哪学起？该用什么工具？每个阶段要掌握哪些技能？
AMAI GmbH（德国 AI 咨询公司）推出的 AI Expert Roadmap（AI 专家路线图）就是来解决这个问题的。它以直观的图表形式，绘制了一条从零基础到成为 AI 专家的完整学习路径，目前已收获超过 3 万颗 Stars，是 GitHub 上最受欢迎的 AI 学习导航项目之一。
图1：路线图总览
这个项目的诞生背景很有意思。AMAI GmbH 是一家总部位于德国的 AI 咨询公司，业务涵盖从概念验证到生产部署的全栈 AI 解决方案。公司在招聘和培训新员工时发现，市场上虽然有大量零散的 AI 学习资源，但缺乏一张系统性的"地图"来指引学习方向。
于是，公司的技术团队将内部培训材料整理后开源到 GitHub，没想到迅速在社区传播开来。项目最初聚焦 2022 年的 AI 领域格局，虽然版本号停留在"2022"，但内容一直在通过 Pull Request 的方式持续更新，覆盖最新的模型框架和工具链。
项目由 AMAI GmbH 的 Jürgen Stumpp 主导维护，采用 MIT 许可证，任何人都可以自由使用、修改和分发。配合项目运营的还有 i.am.ai 交互站点，用户可以直接点击路线图中的节点跳转到对应资源。
AI Expert Roadmap 的核心价值在于它将 AI 领域的学习路径拆解成了六条清晰的子路线图，每条路径对应一个具体的职业方向：
1. 基础（Fundamentals） 所有路径的共同起点，涵盖编程基础（Python/JavaScript）、数学基础（线性代数、概率统计）和数据处理能力。这部分内容是整个路线图的地基，无论选择哪条路径，都必须先过这一关。
2. 数据科学路线图（Data Science Roadmap） 从数据分析工具（pandas、NumPy）出发，经过数据可视化（Matplotlib、Seaborn），最终到达统计建模和 BI 报表技能。这条路径适合想做数据分析、BI 报表、数据产品相关工作的学习者。
3. 机器学习路线图（Machine Learning Roadmap） 在数据科学基础上引入 ML 算法家族：监督学习、无监督学习、集成学习（XGBoost、Random Forest）、模型评估与调参。最终目标是从数据中训练出可泛化的预测模型。
4. 深度学习路线图（Deep Learning Roadmap） 这是整个路线图中最"硬核"的部分，从神经网络基础（感知机、反向传播）开始，依次覆盖 CNN（图像）、RNN/LSTM（序列）、Transformer（NLP）、GAN（生成）和强化学习。配套的工具链包括 PyTorch、TensorFlow/Keras，以及 Hugging Face Transformers。
5. 数据工程师路线图（Data Engineer Roadmap） 面向后端数据基础设施：SQL/NoSQL 数据库、数据仓库（Snowflake/BigQuery）、ETL 管道（Airflow）、流式处理（Kafka/Spark Streaming）。专注数据的采集、存储和加工，不涉及模型训练。
6. 大数据工程师路线图（Big Data Engineer Roadmap） 在数据工程师的基础上引入分布式计算框架：Hadoop 生态（HDFS、MapReduce）、Spark、Flink。适合处理 TB/PB 级数据量的大规模数据处理场景。
从代码层面看，这个项目不是一个传统意义的 AI 软件，而是一个文档型静态站点。技术栈如下：
项目根目录下的 images/ 目录存放了所有路线图的 SVG 源文件（.svg）和矢量绘图源文件（.xml）。这些 SVG 可以直接在任何浏览器中打开，也可以用 Figma 或 Illustrator 进一步编辑。VuePress 的配置中定义了导航菜单、侧边栏和 PDF 导出插件，可以将整个路线图导出为 PDF 文件。
需要特别注意的是：整个项目是纯前端静态站点，不涉及服务端 API、数据库或机器学习模型训练。它本质上是一个知识图谱加超链接聚合器，价值在于组织和导航，而非计算。
如果你想在自己的机器上运行这个站点，门槛非常低：
git clone https://github.com/AMAI-GmbH/AI-Expert-Roadmap.git
cd AI-Expert-Roadmap
npm install
npm start # 开发模式，访问 http://localhost:8080
npm run build # 生产构建
整个项目不依赖 GPU，不需要 Docker，不消耗大量内存。一台普通开发笔记本即可流畅运行。唯一的依赖是 Node.js >= 18，因为 VuePress 构建工具需要 Node.js 运行时。
项目还支持 PDF 导出功能：设置 EXPORT_PDF=True 环境变量后运行构建，VuePress 插件会启动无头 Chrome（Puppeteer）渲染页面并生成 PDF 文件。这对于想离线保存或打印路线图的用户非常实用。
目前项目没有提供 Dockerfile 或 docker-compose，如果需要容器化部署，需要自己编写 Dockerfile，基于 Node.js 镜像构建即可。
尽管 AI Expert Roadmap 广受好评，也存在一些值得指出的局限：
内容更新存在滞后：路线图顶部的版本号停留在"2022"，尽管 AMAI 团队通过持续合并 PR 的方式更新节点内容，但 major update（新增路径、调整结构）的频率并不高。对于瞬息万变的 AI 领域，这可能导致某些前沿技术（如最新的开源模型、AI Agent 框架）未被及时纳入。
路线图不等于课程：项目提供的是"学什么"的方向，而不是"怎么学"的教程。每个节点只是一个超链接，用户仍需自行寻找合适的课程、文档和实践项目。对于完全的初学者，仍需要搭配在线课程或书籍来系统学习。
图表适合桌面端浏览：由于路线图本身是宽幅 SVG 图表，在移动端的阅读体验不佳。i.am.ai 的交互站点有响应式问题，部分路径图在小屏幕上会溢出。对于随时随地学习的用户来说不够友好。
AI Expert Roadmap 的成功折射出一个趋势：AI 学习者不缺资源，缺的是结构。互联网上充斥着大量机器学习教程、深度学习课程和 AI 工具推荐，但很少有人能把这些碎片组织成一条清晰的成长路径。
这个项目用路线图的形式回答了一个根本问题：成为一名 AI 专家需要具备哪些能力？这些能力之间的关系是什么？先学什么、后学什么？这个问题的答案本身，比任何一个具体的算法教程都更有长期价值。
从数据来看，项目 3 万+ Stars 和 2500+ Forks 的规模说明它已经成为了一个被广泛信任的社区基准。许多开发者在转型 AI 时会首先参考这份路线图，也有不少国内外 AI 课程平台将其作为入学指南推荐给学员。
AI Expert Roadmap 不是一个训练模型的 AI 项目，而是一个服务于 AI 学习者的元工具。它的价值在于：以可视化路线图的形式，为 AI 领域的求知者提供一张系统性的学习地图。无论是想入门数据科学、转行机器学习，还是精研深度学习，都可以从这份路线图中找到方向。
对于希望本地运行的用户，项目技术门槛极低（Node.js 即可），但缺乏容器化配置；对于希望深度定制的用户，SVG 源文件完全开放可编辑。总体而言，这是一个高质量、低门槛、有社区生命力的学习导航项目。