AI领域综合了众多知识，其中编程语言、机器学习和深度学习是其核心。举个例子，我们可以从《跟着迪哥学Python数据分析与机器学习实战》一书来认识Python数据分析与机器学习的基本知识结构，从而初步了解AI的学习路径。

本书结合了机器学习、数据分析和Python语言，通过案例以通俗易懂的方式讲解了如何将算法应用到实际任务。

2018年4月28日，由华东师范大学出版社、商务印书馆、商汤科技、华东师范大学国际慕课研究中心共同主办的“人工智能教育研讨会暨《人工智能基础（高中版）》教材发布会”在华东师范大学隆重举行。

这是我国首部高中教材《人工智能基础》出版，华东师范大学第二附属中学、上海交通大学附中、清华大学附属中学、上海市市西中学等全国40所学校成为首批“人工智能教育实验基地学校”。

斯坦福人工智能研究所（Stanford HAI）发布了“2019年人工智能指数报告”（Artificial Intelligence Index Report 2019）。

报告显示，欧洲一直是最大的AI论文出版源，2018年Scopus追踪的人工智能出版物中，欧洲的论文比例上升到27%以上。中国发表的论文占全球人工智能文章的比例从2000年的10%增长到2018年的28%。

机器学习是一种实现人工智能的方法，深度学习是一种实现机器学习的技术。

机器学习是人工智能的核心，深度学习是主要的机器学习算法。

每年的这个时候，我们都会回顾过去，展望未来。对于数据科学、机器学习和人工智能来说，则是看看什么趋势会加快、什么事情会真正发生、什么事情在未来一年不会发生。

我们一整年都在观察和报道这些趋势，并且我们搜索了网络，咨询了我们的一些专家以了解其他人的想法。

当我作为数据科学家介绍自己的时候，我经常会遇到像“数据科学和机器学习有什么区别”或者“这是否意味着你在从事人工智能研究？”这样的问题，我已经回答了无数遍，这些回答已经符合了我的 “三次准则”：

• 当你写相同的代码写了三遍时，你就应该去写一个函数
• 当你给出相同的个人建议三次时，你就应该将建议写在博客里

在招聘网站上搜索人工智能相关的岗位，这些岗位的涉及到的技术领域包含：算法、深度学习、机器学习、自然语言处理、数据结构、Tensorflow、Python 、数据挖掘、搜索开发、spider开发、神经网络、视觉度量、图像识别、语音识别、推荐系统、系统算法、图像算法、数据分析、贝叶斯方法、概率编程、计算机数学、数据仓库、matlab建模等关键词，基本涵盖了现阶段人工智能细分领域的人才结构。

将上面的岗位涉及到的岗位和技术划分为四大类，就形成了五份书单：

国务院2017年7月8日印发《新一代人工智能发展规划》。

《新一代人工智能发展规划》提出新战略目标，到瞄准自动驾驶、城市大脑、医疗影像和智能语音等领域建设“国家队”，从创新重点任务“揭榜挂帅”机制到加快研究起草治理准则防范风险，人工智能发展蓝图愈发清晰，“新智慧”的发展动能也日益强劲。