选择AI程序技能时，可以考虑以下几个方面：
编程语言
Python：Python是AI领域最常用的编程语言，具有简单易学、强大的数据处理和科学计算库（如NumPy、Pandas和Matplotlib），以及丰富的机器学习和深度学习库（如Scikit-learn和TensorFlow）。
R语言：R语言适用于数据探索、统计建模和实验分析，适合对统计学和数据挖掘感兴趣的人。
Java：Java具有强大的高性能计算能力和丰富的库支持，适用于开发大规模的AI应用。
C++：C++适用于高性能和实时系统开发，常用于计算机视觉、自然语言处理和嵌入式系统等任务。
机器学习算法
监督学习：需要彻底掌握线性回归、对数几率回归和决策树等基础模型，并理解其数学含义和算法。
无监督学习：了解K均值算法等聚类方法。
深度学习：学习深度学习框架如TensorFlow、PyTorch和Keras，构建和训练神经网络模型。
数据处理和分析
SQL和NoSQL数据库：用于数据存储和查询。
Pandas和NumPy：用于数据处理和分析。
自然语言处理（NLP）
语言模型、句法分析和语义理解：开发聊天机器人、语音识别和机器翻译等应用。
数学和统计学
线性代数、概率论和统计学：理解AI算法的数学基础和假设检验。
编程基础和算法
数据结构和算法：具备基本的编程能力和对数据结构的掌握，如树、图等。
工具和框架
版本控制：如Git，用于代码管理和协作。
开发工具：如Jupyter Notebook，用于实验和可视化。
实际应用领域
计算机视觉：图像识别、目标检测等。
语音识别和合成：开发语音助手和应用。
推荐系统：个性化推荐算法和应用。
机器人技术：自主导航、控制等。
建议从Python开始学习，并逐步掌握其他编程语言和工具，同时深入理解机器学习和深度学习的基本原理和应用。通过实际项目来应用所学知识，不断巩固和提高技能。