AI学习路径图如下：

基础知识

1、数学基础

线性代数

概率论与数理统计

微积分

2、编程基础

Python

Java

C++

3、数据结构与算法

数组

链表

树

图

排序算法

查找算法

4、计算机组成原理

CPU

内存

硬盘

输入输出设备

机器学习基础

1、机器学习概念

2、监督学习

分类问题

回归问题

3、无监督学习

聚类问题

降维问题

4、强化学习

5、模型评估与选择

6、特征工程

7、数据预处理

8、交叉验证

9、模型调优

深度学习基础

1、神经网络基础

神经元模型

激活函数

损失函数

2、卷积神经网络（CNN）

CNN原理

CNN应用

3、循环神经网络（RNN）

RNN原理

RNN应用

4、长短时记忆网络（LSTM）

5、生成对抗网络（GAN）

6、迁移学习

7、模型压缩与优化

8、模型部署与应用

实践项目

1、Kaggle竞赛项目

2、AI相关开源项目参与与贡献

3、企业实际项目经验积累