-------夢想開始的地方
首先，本科期間學習軟件工程專業的學生，有不少在研究生階段把人工智能作為自己的主要研究方向，所以從知識體系結構上來說，學好軟件工程當然可以接著學習人工智能，而且具備軟件工程的知識基礎再學習人工智能也會更加順利。
長期以來，人工智能領域的人才培養都以研究生教育為主，一方面人工智能相關方向的學習需要紮實的數學、計算機等學科基礎，另一方面人工智能相關知識的學習對於環境也有較高的要求，最為常見的環境就是數據和算力，所以只有教育資源更加豐富的高校才有能力培養人工智能領域的專業人才。另外，由於人工智能領域的研發難度較高，所以往往對於學生的學習能力有更高的要求。
對於軟件工程專業的學生來說，如果未來要想往人工智能方向發展，那麼應該注意以下三方面知識的積累：
第一：基礎學科。基礎學科對於人工智能領域的研發具有重要的意義，尤其是數學，涉及到高等數學、線性代數、概率論等。對於人工智能方向的研發來說，無論是選擇機器學習、自然語言處理還是計算機視覺等方向，算法設計都是核心內容。
第二：計算機基礎。計算機基礎知識對於人工智能方向的學習也非常重要，涉及到操作系統（體系結構）、計算機網絡、算法設計、數據結構等。
第三：程序設計。程序設計也是比較重要的，因為算法實現和智能體的落地應用都離不開程序設計，目前可以重點關注一下Python語言。
我從事互聯網行業多年，目前也在帶計算機專業的研究生，主要的研究方向集中在大數據和人工智能領域，我會陸續寫一些關於互聯網技術方面的文章，感興趣的朋友可以關注我，相信一定會有所收穫。
如果有互聯網、大數據、人工智能等方面的問題，或者是考研方面的問題，都可以在評論區留言，或者私信我！
IT人劉俊明
關於這個問題，我想說完全可以的。
我現在是軟件工程大三的學生，已經慢慢接觸了有關人工智能和大數據相關的東西，說實話這一塊比較難以理解和入門。我並不推薦一開始就學這一塊的內容。我推薦首先學好編程思想，算法，和一門編程語言
我給你看看我們的java學習路線吧。我覺得當把這些內容學好，再去嘗試學習人工智能那一塊兒的更好。
人工智能非常注重算法，所以不僅要學好編程語言，把算法學好也很重要。
計算機是一個長期需要學習和進步的行業，所以學習從未止步。加油。
關於推薦書籍，課程等內容可以私信我。
松鼠小碼農
當讓可以，有很多同事都是通過自學轉到人工智能的。我將以我的經驗介紹人工智能算法工程師需要掌握的知識。
機器學習算法
1. k-近鄰算法。k-近鄰算法即可以做迴歸，又可以做分類。通俗的說，該算法是通過測量不同特徵值之間的距離的方法進行分類或迴歸的。包含了3個要素：k值的選擇，距離度量和分類決策規則。
2. 決策樹。決策樹可以做分類，也可以做迴歸。決策樹包括3個步驟：特徵選擇，決策樹生成和決策樹修剪。包含的知識點有：信息增益、信息增益比、ID3算法、C4.5算法、CART算法等等。
3. 邏輯迴歸。邏輯迴歸是統計學習中經典的分類方法。通過概率分佈判斷觀測值是1還是0。優點是計算代價不高，易於理解和實現。
4. 樸素貝葉斯方法。樸素貝葉斯方法是基於貝葉斯定理與特徵條件獨立假設的分類方法。
5. 支持向量機（SVM）。是一種二分類模型，包括：線性可分支持向量機、線性支持向量機、非線性支持向量機。
6. 集成算法。AdaBoost算法、GBDT、隨機森林。這種算法是通過很多基學習器構建的算法，基學習器一般使用決策樹。
深度學習圖像分類算法
1. AlexNet網絡。 AlexNet在ILSVRC2012圖像分類競賽第一名，將top-5 錯誤率降至16.4%，標誌著深度學習革命的開始，掀起了深度卷積神經網絡在各個領域的研究熱潮。
2. VGGNet網絡。VGGNet 是2014 年ILSVRC競賽分類任務的第二名（第一名是Inception v1）和定位任務的第一名。
3. Inception v1 V2 V3 V4網絡。這種類型的算法特點是用一些結果設計的小網絡模塊堆疊而成的。
4. ResNet網絡。ResNet的特點是網絡模塊使用了殘差連接。
5. MobileNet V1 V2 V3。Mobilenet系列主要的特點是使用了分離卷積，是參數大大的減少，適合在手機客戶端運行。
使用的工具
1. Numpy和pandas。主要用於處理數據。
2. Matplotlib。主要用來畫圖。
3. Sklearn。分裝了機器學習所有的算法。
4. Opencv。主要是用來處理圖像的。
5. Caffe，主要是用來做圖像類的深度學習。
6. Tensorflow，比較常用的深度學習框架，可以用來做圖像，自然語言等。
當然，以上只是人工智能的一部分。人工智能還有目標檢測，圖像分割，人臉檢測，語言翻譯，文本分類等等。。人工智能每年都在快速的發展，研究的人也很多，所以，要想在人工智能領域站穩腳跟，就要持續不斷的學習。
