传统的机器学习算法，如用于人脸检测的Adaboost和用于行人检测的such在深度学习方面，有基于区域建议的R-CNN、FastR-CNN、FasterR-CNN等两阶段目标检测算法，也有Yolo、SSD等端到端目标检测算法。
我这里有一张大图展示了学习人工智能从小白到真正掌握人工智能需要经历的阶段，以及每个阶段需要学习哪些算法，如下但个人觉得上面列出的还不够的，还有一些算法如动态规划、图论的算法、博弈论等都应该要学习的。要真正精通人工智能是非常难的，要学的非常多，而且新的算法也在不断涌现，时刻要保持学习，不然很容易落后。。
计算机视觉领域，最常用的算法有哪些？
计算机视觉领域一般不同的应用有着不同的算法实现，我主要研究的就是计算机视觉方面的应用，主要是在图像预处理、分类、目标检测等方面。1. 图像分类。图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。机器学习方面的算法有SVM、Adaboost、决策树以及贝叶斯分类器等；深度学习方面经典的算法有AlexNet、VGG、GoogleNet、ResNet等网络。
2. 目标检测。目标检测就是在复杂场景中检测出我们需要的目标，又用传统机器学习算法实现的，也有用深度学习进行目标检测的。传统机器学习算法比如利用Adaboost进行人脸检测、SVM算法实现行人检测等；深度学习方面目标检测算法，既有基于区域建议的R-CNN、Fast R-CNN、Faster R-CNN等两个阶段的目标检测算法，也有Yolo、SSD等端到端的目标检测算法。
3. 目标跟踪。目标跟踪，是指在特定场景跟踪某一个或多个特定感兴趣对象的过程。我之前做过目标跟踪的实验，利用的是传统的图像处理算法，比如光流法、粒子滤波法、卡尔曼滤波法以及KCF相关滤波算法等。深度学习算法中有DLT、FCNT、MD Net等网络，深度学习目标跟踪算法接触的少，不是很了解。4. 语义分割。
语义分割是计算机视觉中的基本任务，在语义分割中我们需要将视觉输入分为不同的语义可解释类别，「语义的可解释性」即分类类别在真实世界中是有意义的，将整个图像分成一个个像素组，然后对其进行标记和分类。传统的图像分割算法有基于阈值的分割算法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等；现在深度学习算法在语义分割上效果更好，比如现在最常用的全卷机神经网络算法（FCN）。
还有好多应用，比如人脸检测识别，有Adaboost算法、MTCNN网络以及FaceNet网络等；文字识别，智能驾驶，医学图像处理等等，分别有不同的算法实现。计算机视觉编程语言的话需要根据算法以及平台来选择。传统图像处理大都用的是opencv和matlab平台，分别用C 语言和matlab语言；深度学习框架大都是基于Python的API实现的，可以用python语言实现，比如Tensorflow、Caffe、keras以及MxNet等平台，当然Caffe还可以用C 实现。
机器学习算法工程师面试需要做那些准备？
备战机器学习工程师面试，你需要掌握这些经典面试题金九银十，又到了就业旺季，互联网公司的秋招如火如荼的进行着。机器学习类岗位依然非常热门且高薪，但想在竞争激烈的面试中杀出重围，必须有充足的准备。如何能够短时间内抓住机器学习知识的技术重点，集中突击？ 如何不再惧怕“算法”？ 如何才能在面试中对答如流，打造属于自己的“offer收割机”？刷题是必不可少的步骤。
应聘前，你需要了解的内容有：机器学习的基本概念和分类（训练/测试数据、监督/非监督学习等）、经典的机器学习模型（支持向量机、朴素贝叶斯、随机森林等）、深度学习模型（卷积神经网络、循环神经网络、生成式对抗网络等）；特征工程（特征组合、特征选择等），模型评估（评价指标、超参数的选择等），优化算法（损失函数、梯度下降等），数学基础（概率论、线性代数等），工程能力（数据结构与算法、机器学习平台等），业务与应用（计算机视觉、自然语言处理等）。
