线性代数、概率论与统计学、微积分、信息论、Python、SQL (数据库操作), Linux/Shell (开发环境), Git (版本控制)机器学习基础： 监督学习（线性回归、逻辑回归、支持向量机SVM、决策树、随机森林、梯度提升树GBM）、无监督学习（聚类K-Means, 降维PCA）、模型评估指标（准确率、召回率、F1、AUC、RMSE等）、偏差-方差权衡、过拟合与欠拟合、正则化、交叉验证。

深度学习基础： 神经网络基础（感知机、激活函数、损失函数、反向传播）、卷积神经网络、循环神经网络、Transformer架构、优化算法（SGD, Adam等）、正则化技术（Dropout, BatchNorm）。

算法工程师/研究员：
 这是最核心的方向之一。负责设计、开发和优化机器学习、深度学习、强化学习等核心算法，解决复杂问题（如计算机视觉、自然语言处理、强化学习决策等）。需要极强的数学、统计学和编程能力。

机器学习工程师：
 侧重于将机器学习模型应用到实际生产环境中，包括数据预处理、特征工程、模型训练、调优、部署、监控和维护。需要扎实的工程能力。

深度学习工程师：
专注于深度神经网络架构（如CNN, RNN, Transformer）的设计、实现和应用，尤其在计算机视觉、自然语言处理、语音识别等领域。

计算机视觉工程师：

开发让机器“看懂”图像和视频的技术，应用于人脸识别、无人驾驶、医学影像分析、工业质检等。

自然语言处理工程师：

 开发让机器理解、生成和处理人类语言的技术，应用于智能客服、机器翻译、情感分析、文本摘要、搜索引擎等。

语音识别/合成工程师： 

研究声音信号处理，实现语音转文字、文字转语音，应用于智能音箱、语音助手、字幕生成等。

强化学习工程师：

 应用于需要智能体与环境交互学习的场景，如游戏AI、机器人控制、资源优化、推荐系统等。

AI架构师： 设计大规模、高性能、可扩展的AI系统架构，整合数据处理、模型训练、部署服务等全流程。需要深厚的系统架构和工程经验。