A. 小冰上车 华人运通如何锚定汽车人工智能新时代
撰文|方如意?编辑|老司机
最近的上海，最热的话题非人工智能莫属。
7月9日，2020世界人工智能大会云端峰会（WAIC2020）在上海开幕。对AI的作用与地位，大佬们大胆预测。网络CEO李彦宏说，“AI是堪比工业革命的技术浪潮。”腾讯CEO马化腾说，“要做到’AI向善‘，就要努力让人工智能实现’可知、可控、可用、可靠‘，这是全世界共同面对的课题。”
AI落地、对传统产业的改造升级，依然是今年大会最关注的议题。
那些手握人工智能技术的公司，希望与各个产业融合共生；而传统产业中有前瞻意识的企业，则在着力引入、发挥这项先进的生产力。那么，汽车乃至更大范畴的出行产业，在获得AI加持后，又会以何种超出人们预期的方式改造行业的运作模式，并进一步切实改变消费者的生活？
一对最具技术前瞻性的智能汽车企业+全球最大AI公司的组合，正在给出答案。
对这样一次或将锚定自身行业地位的合作，华人运通与微软双方均予以了高规格的资源投入。事实上，在官宣合作之前，双方就已充分沟通并进行了大量的研发、验证工作，为明确产品的形态、功能乃至安全标准等，做出了重要的安排和布局。
并且，双方的合作层面不仅仅是前台的产品，更涉及后台的数据、计算。这也反映出双方对人工智能的深刻认知——正确的数据必然要与正确的场景对应。
在人工智能领域，已经有不少国外技术+本土场景结合却并不成功的案例，这是由于国外的数据喂养出的技术，在本土场景中遭遇了水土不服。对此，据华人运通的相关技术负责人介绍，与微软的合作，基于在中国的微软亚洲互联网工程院展开，双方都熟知中国场景、中国数据乃至实现了高层次的数据共享，从而最大限度地避免了这一问题，这也为双方的进一步深度合作提供了基础。
结语：
见微知着，华人运通与微软此次战略合作，投射出当下行业演进的崭新趋势：人工智能技术之于智能网联汽车，其重要程度已堪比此前的发动机之于燃油车。
而人工智能的发展，需要车企全面升级其思维与能力——对数据的敏感以及处理能力、更加开放的合作姿态、从底层架构上对AI的重视与支持。只有具备上述思维、能力与执行力的车企，才能在智能汽车新一轮竞赛中胜出。
本次亮相的HiPhiGo，正因为源自强强联合的强大基因，高度智能化的主动式人工智能、深度介入驾驶辅助功能，以及，未来更底层的开放水平，从而标记了自身作为行业变革引领者的角色。
今年，因为疫情的爆发、市场环境的持续恶化，已经有多家造车新势力相继“暴雷”，但一直以来都在按自己节奏推进工作的华人运通，无疑行得稳健。
眼下，这家低调但不缺实力的公司，正在全力推动首款车型高合HiPhi1的量产，此次搭载于首款新车上的HiPhiGo的首度亮相，更是引发了业内外高度关注，颇有不鸣则已一鸣惊人之势。今年年底，高合HiPhi1将小批量试生产，明年大批量交付，届时，也将是它自我证明的时刻。
从即将在高合HiPhi1上首发的HiPhiGo的命名看，我们也不妨对它抱有更高的期待——正如特斯拉的AutoPilot，让它与所有传统汽车制造企业划清了界限，谷歌的AlPhaGo标志着人工智能进入了一个新的时代，华人运通联袂微软推出的HiPhiGo，或许也预示着汽车行业将真正迎来人工智能的崭新时代。
本文来源于汽车之家车家号作者，不代表汽车之家的观点立场。
B. 算法工程师应该学哪些
一、算法工程师简介
（通常是月薪15k以上，年薪18万以上，只是一个概数，具体薪资可以到招聘网站如拉钩，猎聘网上看看）
算法工程师目前是一个高端也是相对紧缺的职位；
算法工程师包括
音/视频算法工程师（通常统称为语音/视频/图形开发工程师）、图像处理算法工程师、计算机视觉算法工程师、通信基带算法工程师、信号算法工程师、射频/通信算法工程师、自然语言算法工程师、数据挖掘算法工程师、搜索算法工程师、控制算法工程师（云台算法工程师，飞控算法工程师，机器人控制算法）、导航算法工程师（
@之介
感谢补充）、其他【其他一切需要复杂算法的行业】
专业要求：计算机、电子、通信、数学等相关专业；
学历要求：本科及其以上的学历，大多数是硕士学历及其以上；
语言要求：英语要求是熟练，基本上能阅读国外专业书刊，做这一行经常要读论文；
必须掌握计算机相关知识，熟练使用仿真工具MATLAB等，必须会一门编程语言。
算法工程师的技能树（不同方向差异较大，此处仅供参考）
1 机器学习
2 大数据处理：熟悉至少一个分布式计算框架Hadoop/Spark/Storm/ map-rece/MPI
3 数据挖掘
4 扎实的数学功底
5 至少熟悉C/C++或者Java，熟悉至少一门编程语言例如java/python/R
加分项：具有较为丰富的项目实践经验（不是水论文的哪种）
二、算法工程师大致分类与技术要求
（一）图像算法/计算机视觉工程师类
包括
图像算法工程师，图像处理工程师，音/视频处理算法工程师，计算机视觉工程师
要求
l
专业：计算机、数学、统计学相关专业；
l
技术领域：机器学习，模式识别
l
技术要求：
（1） 精通DirectX HLSL和OpenGL GLSL等shader语言，熟悉常见图像处理算法GPU实现及优化；
（2） 语言：精通C/C++；
（3） 工具：Matlab数学软件，CUDA运算平台，VTK图像图形开源软件【医学领域：ITK，医学图像处理软件包】
（4） 熟悉OpenCV/OpenGL/Caffe等常用开源库；
（5） 有人脸识别，行人检测，视频分析，三维建模，动态跟踪，车识别，目标检测跟踪识别经历的人优先考虑；
（6） 熟悉基于GPU的算法设计与优化和并行优化经验者优先；
（7） 【音/视频领域】熟悉H.264等视频编解码标准和FFMPEG，熟悉rtmp等流媒体传输协议，熟悉视频和音频解码算法，研究各种多媒体文件格式，GPU加速；
应用领域：
（1） 互联网：如美颜app
（2） 医学领域：如临床医学图像
（3） 汽车领域
（4） 人工智能
相关术语：
（1） OCR：OCR （Optical Character Recognition，光学字符识别）是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程
（2） Matlab：商业数学软件；
（3） CUDA： (Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台（由ISA和GPU构成）。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题
（4） OpenCL: OpenCL是一个为异构平台编写程序的框架，此异构平台可由CPU，GPU或其他类型的处理器组成。
（5） OpenCV：开源计算机视觉库；OpenGL：开源图形库；Caffe：是一个清晰，可读性高，快速的深度学习框架。
（6） CNN：（深度学习）卷积神经网络（Convolutional Neural Network）CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。
（7） 开源库：指的是计算机行业中对所有人开发的代码库，所有人均可以使用并改进代码算法。
（二）机器学习工程师
包括
机器学习工程师
要求
l
专业：计算机、数学、统计学相关专业；
l
技术领域：人工智能，机器学习
l
技术要求：
（1） 熟悉Hadoop/Hive以及Map-Rece计算模式，熟悉Spark、Shark等尤佳；
（2） 大数据挖掘；
（3） 高性能、高并发的机器学习、数据挖掘方法及架构的研发；
应用领域：
（1）人工智能，比如各类仿真、拟人应用，如机器人
（2）医疗用于各类拟合预测
（3）金融高频交易
（4）互联网数据挖掘、关联推荐
（5）无人汽车，无人机
相关术语：
（1） Map-Rece：MapRece是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Rece（归约）"，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。
（三）自然语言处理工程师
包括
自然语言处理工程师
要求
l
专业：计算机相关专业；
l
技术领域：文本数据库
l
技术要求：
（1） 熟悉中文分词标注、文本分类、语言模型、实体识别、知识图谱抽取和推理、问答系统设计、深度问答等NLP 相关算法；
（2） 应用NLP、机器学习等技术解决海量UGC的文本相关性；
（3） 分词、词性分析、实体识别、新词发现、语义关联等NLP基础性研究与开发；
（4） 人工智能，分布式处理Hadoop；
（5） 数据结构和算法；
应用领域：
口语输入、书面语输入
、语言分析和理解、语言生成、口语输出技术、话语分析与对话、文献自动处理、多语问题的计算机处理、多模态的计算机处理、信息传输与信息存储 、自然语言处理中的数学方法、语言资源、自然语言处理系统的评测。
相关术语：
（2） NLP：人工智能的自然语言处理，NLP (Natural Language Processing) 是人工智能（AI）的一个子领域。NLP涉及领域很多，最令我感兴趣的是“中文自动分词”（Chinese word segmentation）：结婚的和尚未结婚的【计算机中却有可能理解为结婚的“和尚“】
（四）射频/通信/信号算法工程师类
包括
3G/4G无线通信算法工程师， 通信基带算法工程师，DSP开发工程师（数字信号处理），射频通信工程师，信号算法工程师
要求
l
专业：计算机、通信相关专业；
l
技术领域：2G、3G、4G，BlueTooth（蓝牙），WLAN，无线移动通信, 网络通信基带信号处理
l
技术要求：
（1） 了解2G，3G，4G，BlueTooth，WLAN等无线通信相关知识，熟悉现有的通信系统和标准协议，熟悉常用的无线测试设备；
（2） 信号处理技术，通信算法；
（3） 熟悉同步、均衡、信道译码等算法的基本原理；
（4） 【射频部分】熟悉射频前端芯片，扎实的射频微波理论和测试经验，熟练使用射频电路仿真工具（如ADS或MW或Ansoft）；熟练使用cadence、altium designer PCB电路设计软件；
（5） 有扎实的数学基础，如复变函数、随机过程、数值计算、矩阵论、离散数学
应用领域：
通信
VR【用于快速传输视频图像，例如乐客灵境VR公司招募的通信工程师（数据编码、流数据）】
物联网，车联网
导航，军事，卫星，雷达
相关术语：
（1） 基带信号：指的是没有经过调制（进行频谱搬移和变换）的原始电信号。
（2） 基带通信（又称基带传输）：指传输基带信号。进行基带传输的系统称为基带传输系统。传输介质的整个信道被一个基带信号占用.基带传输不需要调制解调器，设备化费小，具有速率高和误码率低等优点,.适合短距离的数据传输，传输距离在100米内，在音频市话、计算机网络通信中被广泛采用。如从计算机到监视器、打印机等外设的信号就是基带传输的。大多数的局域网使用基带传输，如以太网、令牌环网。
（3） 射频：射频（RF）是Radio Frequency的缩写，表示可以辐射到空间的电磁频率（电磁波），频率范围从300KHz～300GHz之间（因为其较高的频率使其具有远距离传输能力）。射频简称RF射频就是射频电流，它是一种高频交流变化电磁波的简称。每秒变化小于1000次的交流电称为低频电流，大于10000次的称为高频电流，而射频就是这样一种高频电流。高频(大于10K)；射频（300K-300G）是高频的较高频段；微波频段（300M-300G）又是射频的较高频段。【有线电视就是用射频传输方式】
（4） DSP：数字信号处理，也指数字信号处理芯片
（五）数据挖掘算法工程师类
包括
推荐算法工程师，数据挖掘算法工程师
要求
l
专业：计算机、通信、应用数学、金融数学、模式识别、人工智能；
l
技术领域：机器学习，数据挖掘
l
技术要求：
（1） 熟悉常用机器学习和数据挖掘算法，包括但不限于决策树、Kmeans、SVM、线性回归、逻辑回归以及神经网络等算法；
（2） 熟练使用SQL、Matlab、Python等工具优先；
（3） 对Hadoop、Spark、Storm等大规模数据存储与运算平台有实践经验【均为分布式计算框架】
（4） 数学基础要好，如高数，统计学，数据结构
l
加分项：数据挖掘建模大赛；
应用领域
（1） 个性化推荐
（2） 广告投放
（3） 大数据分析
相关术语
Map-Rece：MapRece是一种编程模型，用于大规模数据集（大于1TB）的并行运算。概念"Map（映射）"和"Rece（归约）"，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。
（六）搜索算法工程师
要求
l
技术领域：自然语言
l
技术要求：
（1） 数据结构，海量数据处理、高性能计算、大规模分布式系统开发
（2） hadoop、lucene
（3） 精通Lucene/Solr/Elastic Search等技术，并有二次开发经验
（4） 精通Lucene/Solr/Elastic Search等技术，并有二次开发经验；
（5） 精通倒排索引、全文检索、分词、排序等相关技术；
（6） 熟悉Java，熟悉Spring、MyBatis、Netty等主流框架；
（7） 优秀的数据库设计和优化能力，精通MySQL数据库应用 ；
（8） 了解推荐引擎和数据挖掘和机器学习的理论知识，有大型搜索应用的开发经验者优先。
（七）控制算法工程师类
包括了云台控制算法，飞控控制算法，机器人控制算法
要求
l
专业：计算机，电子信息工程，航天航空，自动化
l
技术要求：
（1） 精通自动控制原理（如PID）、现代控制理论，精通组合导航原理，姿态融合算法，电机驱动，电机驱动
（2） 卡尔曼滤波，熟悉状态空间分析法对控制系统进行数学模型建模、分析调试；
l
加分项：有电子设计大赛，机器人比赛，robocon等比赛经验，有硬件设计的基础；
应用领域
（1）医疗/工业机械设备
（2）工业机器人
（3）机器人
（4）无人机飞控、云台控制等
（八）导航算法工程师
要求
l 专业：计算机，电子信息工程，航天航空，自动化
l 技术要求（以公司职位JD为例）
公司一（1）精通惯性导航、激光导航、雷达导航等工作原理；
（2）精通组合导航算法设计、精通卡尔曼滤波算法、精通路径规划算法；
（3）具备导航方案设计和实现的工程经验；
（4）熟悉C/C++语言、熟悉至少一种嵌入式系统开发、熟悉Matlab工具；
公司二（1）熟悉基于视觉信息的SLAM、定位、导航算法，有1年以上相关的科研或项目经历；
（2）熟悉惯性导航算法，熟悉IMU与视觉信息的融合;
应用领域
无人机、机器人等。
C. 百度知识图谱和google知识图谱的区别
知识图谱（knowledge graph）是Google推出来的一项技术概念，是语义搜索的一个应用，背后涉及到NLP，语义数据分析，语义网技术等等。
目前来说，Google的知识图谱从三个方面来提高搜索质量，消除歧义、右侧知识卡片、知识发现。网络的“网络知心”也是知识图谱的一个应用。归根结底知识图谱的技术基础都是一样的，那就是语义数据和语义网，只是在前端应用上两个公司有所区别。。
D. 怎么才能在四个月内把web前端学好学深入
在方法之前，请听我一句话：不要怕吃苦，绝对不能怕吃苦。而且有一定要多敲代码。这两点是关键。
三是制定系统的学习计划,必须制定学习计划,建议学习半年的时间,半年的时间把所有的前端基础阅读和理解,前提是你不应该懒惰,,坚持是最重要的,大多数人还是半途而废。四是能找到辅导尽可能的找,如果条件还可以,在网上找到一个教程类,有不懂的问老师,可以节省自己的时间,老师也可以给你一些建议,很容易学习,如果遇到很多问题,解决的时间非常久，就很容易失去信心。
E. 国内智能客服机器人都有哪些
推荐快商通的智能仿真营销客服机器人
一、优势和价值
快商通仿真营销客服机器人是建立在快商通十年的技术底层上研制开发的。无论安全稳定性和产品性能都有强大保障。它是基于快商通“艾赋能大脑”技术引擎，以自然语言处理、意图识别、上下文语义理解等核心技术，精准识别用户意图，智能匹配出最佳解决方案。通过不断完善知识图谱深度学习，机器人能够完成用户常规咨询的实时解答，同步可采用人机协作模式，将机器人无法解决的问题转交人工客服处理，大幅提升前端咨询接待效率。
二、快商通智能客服机器人
目前市面中有很多品牌的机器人客服系统品牌，它们服务质量参差不齐，功能效果更是差异显着。在众多的机器人客服品牌中，快商通仿真营销客服机器人是用户反馈效果最好的一个。快商通从09年面市至今已服务过36万家企业用户，全面为科技、电商、金融、教育、医疗等众多行业提供智能客服解决方案。
三、节省80%以上客服人力
采用最新智能客服技术，利用机器人语义分析和深度学习能力，整合多年行业语料，真正理解顾客提出的高频问题，从而精准回答，最大化节省客服人力。
高峰繁忙，分担人工客服接待压力；
区分接待，分配流量资源，人工客服接待高质量访客；
离岗开启，提高碎片时间利用率；
夜班上岗，避免夜间无人值守导致访客流失
四、提升5-10%对话转化率
人机协作区分接待，人工客服集中精力去接待来自优质渠道、点击精准投放词进入的访客，低质量渠道及低价投放词的访客让机器人接待，释放人工精力集中接待高质量访客。
智能引导开口，永远保持最佳状态，秒级响应，主动暖场，自动识别访客意图，多话术引导开口，消除访客戒备，提升开口率。
当人工客服对话接不过来的时候，分出部分让机器人做先前接待，缓解客服的接待压力，有效避免人工客服长期处于高强度工作下所不断积压的情绪干扰问题，同时实现访客0流失，有效挽回因人力造成的对话流失。
全程监控，机器人状态、话术始终保持最佳状态，所有操作记录有迹可循，人工客服可随时监控聊天内容，人机协作实现接待效率最大化
不断优化机器人话术，让机器人客服24小时保持深度自主学习状态，使机器人客服逐渐达到优质咨询师的水平保持高套电率，且不会有流失的风险。提前为未来优秀咨询人员离职所带来的风险做准备，咨询体系抗人员流失风险能力得到极大提升。随着纯人工客服体系不断优化迁移至人工客服+客服机器人相结合的咨询团队体系，可同步降低50%~80%的人工成本。
快商通仿真营销客服机器人，不但可助力人工分担高峰流量独立接待获客，且话术规范可控无需担忧违规风险。如有新增违禁词，企业可一键排查所有话术的违禁词，高效灵活调整，话术规范可控且同步提升企业效益。
五、适用行业或企业
快商通智能客服产品适合各种类型的行业和企业。目前快商通的用户包括大、中、小、初创等各类型企业，涉及医疗、教育、金融、电子商务等多个行业和领域。无论是客服、销售还是技术支持都需要与客户沟通，且目前企业也越来越重视客户服务，只要您有这个需求，快商通都可以为您效力。
F. python怎么样好学吗
谢谢邀请，学习选择很重要！！！
从未接触过编程，首先应该选择一门语言那么我推荐python
学习重要是选对方法！！！
python之所以火是因为人工智能的发展，个人整理学习经验仅供参考！
感觉有本书《Python3破冰人工智能从入门到实战》你学的差不多了就基本具备了一名合格的python编程工程师,不过可惜的是这本书没有电子版，只有纸质的。
第 1章从数学建模到人工智能
1.1数学建模
1.1.1数学建模与人工智能1.1.2数学建模中的常见问题1.2人工智能下的数学1.2.1统计量1.2.2矩阵概念及运算1.2.3概率论与数理统计1.2.4高等数学——导数、微分、不定积分、定积分
第2章 Python快速入门
2.1安装Python
2.1.1Python安装步骤2.1.2IDE的选择2.2Python基本操作2.2.1第 一个小程序2.2.2注释与格式化输出2.2.3列表、元组、字典2.2.4条件语句与循环语句2.2.5break、continue、pass2.3Python高级操作2.3.1lambda2.3.2map2.3.3filter
第3章Python科学计算库NumPy
3.1NumPy简介与安装
3.1.1NumPy简介3.1.2NumPy安装3.2基本操作3.2.1初识NumPy3.2.2NumPy数组类型3.2.3NumPy创建数组3.2.4索引与切片3.2.5矩阵合并与分割3.2.6矩阵运算与线性代数3.2.7NumPy的广播机制3.2.8NumPy统计函数3.2.9NumPy排序、搜索3.2.10NumPy数据的保存
第4章常用科学计算模块快速入门
4.1Pandas科学计算库
4.1.1初识Pandas4.1.2Pandas基本操作4.2Matplotlib可视化图库4.2.1初识Matplotlib4.2.2Matplotlib基本操作4.2.3Matplotlib绘图案例4.3SciPy科学计算库4.3.1初识SciPy4.3.2SciPy基本操作4.3.3SciPy图像处理案例第5章Python网络爬虫5.1爬虫基础5.1.1初识爬虫5.1.2网络爬虫的算法5.2爬虫入门实战5.2.1调用API5.2.2爬虫实战5.3爬虫进阶—高效率爬虫5.3.1多进程5.3.2多线程5.3.3协程5.3.4小结
第6章Python数据存储
6.1关系型数据库MySQL
6.1.1初识MySQL6.1.2Python操作MySQL6.2NoSQL之MongoDB6.2.1初识NoSQL6.2.2Python操作MongoDB6.3本章小结6.3.1数据库基本理论6.3.2数据库结合6.3.3结束语
第7章Python数据分析
7.1数据获取
7.1.1从键盘获取数据7.1.2文件的读取与写入7.1.3Pandas读写操作7.2数据分析案例7.2.1普查数据统计分析案例7.2.2小结
第8章自然语言处理
8.1Jieba分词基础
8.1.1Jieba中文分词8.1.2Jieba分词的3种模式8.1.3标注词性与添加定义词8.2关键词提取8.2.1TF-IDF关键词提取8.2.2TextRank关键词提取8.3word2vec介绍8.3.1word2vec基础原理简介8.3.2word2vec训练模型8.3.3基于gensim的word2vec实战
第9章从回归分析到算法基础
9.1回归分析简介
9.1.1“回归”一词的来源9.1.2回归与相关9.1.3回归模型的划分与应用9.2线性回归分析实战9.2.1线性回归的建立与求解9.2.2Python求解回归模型案例9.2.3检验、预测与控制
第10章 从K-Means聚类看算法调参
10.1K-Means基本概述
10.1.1K-Means简介10.1.2目标函数10.1.3算法流程10.1.4算法优缺点分析10.2K-Means实战
第11章 从决策树看算法升级
11.1决策树基本简介
11.2经典算法介绍11.2.1信息熵11.2.2信息增益11.2.3信息增益率11.2.4基尼系数11.2.5小结11.3决策树实战11.3.1决策树回归11.3.2决策树的分类
第12章 从朴素贝叶斯看算法多变193
12.1朴素贝叶斯简介
12.1.1认识朴素贝叶斯12.1.2朴素贝叶斯分类的工作过程12.1.3朴素贝叶斯算法的优缺点12.23种朴素贝叶斯实战
第13章 从推荐系统看算法场景
13.1推荐系统简介
13.1.1推荐系统的发展13.1.2协同过滤13.2基于文本的推荐13.2.1标签与知识图谱推荐案例13.2.2小结
第14章 从TensorFlow开启深度学习之旅
14.1初识TensorFlow
14.1.1什么是TensorFlow14.1.2安装TensorFlow14.1.3TensorFlow基本概念与原理14.2TensorFlow数据结构14.2.1阶14.2.2形状14.2.3数据类型14.3生成数据十二法14.3.1生成Tensor14.3.2生成序列14.3.3生成随机数14.4TensorFlow实战
希望对你有帮助！！！
贵在坚持，自己掌握一些，在工作中不断打磨，高薪不是梦！！！
G. it培训课程有哪些 IT培训具体都是培训哪些
计算机培训的方向有好多种，你要根据自己的兴趣爱好选择，零基础的话，先要学习计算机基础和office软件应用。计算机的方向有：计算机网络技术、平面设计，动漫制作、办公自动化、电子商务、CAD制图，软件开发等等，不同的方向，学习难易程度不同，当然以后就业及薪水也将大不相同。
H. 一名前端工程师的知识图谱是什么该如何入门并且提高
【1】能用html+css把页面做出来，能用js实现动态效果。
【2】在1的基础上保证浏览器兼容性。
【3】在2的基础上开始出现代码洁癖，代码会逐渐趋向于简洁高效
【4】在3的基础上开始关注语义性、可用性和可重用性
【5】在4的基础上开始关注页面性能
【6】在5的基础上开始费劲脑汁的去寻思怎么能把开发效率也提升上来
I. 知识图谱怎样入门
在开始做前端开发之前（当然我也不是完全做前端开发的，至少我的工作合同上没写我要写程序），我的背景是这样的：不是学计算机、不是科班出身；因为经常帮别人出图，所以PS，AI，ID都很熟悉；因为那时候做实验的原因常用（改）Fortran和（用）C++；后来机缘巧合研究了一阵子分布式数据库，主要精力放在了Cassandra上面。从去年7月真正开始做前端的第一个项目，从最开始什么都不知道乱写jQuery开始，到9月底搞定了手头上第一个项目。后来前端的开发基本上就中断了，今年4月份又捡起来，写了一个前端（浏览器端）的项目。被一个前端大神批判了一遍，几乎重写了一遍，然后继续接受批判，同时接受各种复杂的需求，导致最终又重写了一遍。等于一个项目写了三遍，在第三遍的时候我已经可以实现所有自己的想法了——当然一定要可行的。7月的时候开始node.js使用愈发频繁，用node / express做了一个不算小的项目。从9月开始基本上前端相关的只剩下图形相关的工作了——先尝试了一下Canvas发现还是不如svg好写。到最近写了个svg的库。现在我可以保证想做什么东西，只要功能不是太过复杂，一个星期之内做完原型。
J. 初学者如何在前端的道路上成长，成为一个前端工程师的知识图谱是什么拜托各位了 3Q
xhtml css js,一个都不能生疏，而且要看就看新书，这样符合w3c 标准。要是自己练，ie8一下的就不用管兼容性了，毕竟占有率很少很少。
学的差不多了再html5，css3
如果走高端路线，就css3多用，像楼上说的，切图什么的，一边玩蛋去把。前端看的是用户体验，不是漂亮的风景画和浮夸的按钮
------------
csdn.net 等一些站有很多不错的博主写的文章，多看看