---
title: "人工智能高阶"
date: 2018-12-29
lastmod: 2020-01-05
weight: 3
type: docs
icon: #
description: "高阶路线图"
# search related keywords
keywords: ["人工智能","高阶"]
---
![高校俱乐部](https://codechina.csdn.net/codechina/operation-work/uploads/53b24f5f44d3c851890b1789ed501001/%E9%AB%98%E6%A0%A1%E4%BF%B1%E4%B9%90%E9%83%A8320.jpg)
关注“高校俱乐部”微信公众号,回复“高清图”,快人一步获取高清全套技术路线图
{{< embed-pdf-view url="/images/AI.pdf" >}}
### 数学基础
- 几何
- 拓扑向量空间
- Banach Lattice
- Vector Measures
- 再生核希尔伯特空间RKHS(Reproducing Kernel Hilbert Space)
- 微分和黎曼几何
- 动态系统
- 最优化传输理论
- 代数
- 基础代数
- 算子代数
- 谱理论
- K理论
- 概率论和统计学
- 随机分析及随机过程的收敛
- 马尔可夫链和稳定性
- 流行上的随机分析
- 巴拿赫空间上的概率论
- 高维统计基础
- 经验过程
- 贝叶斯理论基础
- 不等式
- 基础数学不等式
- 概率不等式
- 高级不等式证明技巧
### 编程基础
- C++编程
- Template Meta Programming
- CPU调优
- GPU调优
- FPGA调优
- 深度学习框架深入
- TensorFlow XLA代码细节研究
- PyTorch XLA代码细节研究
- Jax/Flax代码细节研究及模型复现
### AI通用进展
- 优化器及优化过程
- 神经网络架构搜索
- 可微分方法
- 基于增强学习的方法
- encoder refinement 方法
- 基于Contrast Loss的预训练
- 基于Self Training的优化
- 表征学习的优化
- Triplet Loss and Online Triplet Mining
- 其他优化方法
- Consistency Regularization
- Unsupervised Data Augmentation
- Adversarial Training Related Methods
- Mixture of Experts
- 基础网络设计方式
- 普遍的layer设计trick,如Cascading、Pyramid Networks等
- 神经网络中的Sparse问题
### CV前沿
- Multi-object Tracking
- 基于视频、多模态和知识图谱的召回体系
### NLP前沿
- 文本生成:如何结合模板和生成模型
- 知识图谱推理
- Semantic Parsing和Syntax Parsing及其应用
- 使用RL对机器人状态进行控制
### 图模型和推荐系统前沿
- 传统问题向GNN的转换
- 不同图嵌入和预训练方法
- 图模型和推荐系统的关系
### RL前沿
- Model-based RL
- Bayesian RL
- 提升模型样本利用率的方法
- Distributed RL
- Relational RL
### Meta Learning
- Few-shot Learning
- 基于优化的方法
- 基于贝叶斯的方法
- Meta Reinforcement Learning
### 逻辑推理
- Differentiable Neural Logic Machines
- 数理逻辑的理解
- 数理逻辑和Lambda calculus的关系
- Epistemic Logic