可以從如下幾個方面學習：

1、學習人工智慧發展史，瞭解目前處於什麼發展階段，例如：從演算法驅動到資料驅動，計算、資料和演算法驅動。

2、瞭解人工智慧產業佈局，上下游生態鏈，例如：底層深度學習平臺、中間層通用演算法、上層應用領域+AI和AI+。

3、瞭解機器學習演算法，熟悉深度學習演算法和強化學習演算法，知道誰是三劍客：LeCun\Bengio\Hinton。

4、熟悉人工智慧晶片，從GPU、到FPGA、再到TPU。

5、熟悉深度學習框架，例如：Tensorflow、Caffe、CNTK等，可以進行二次開發，可以進行社群貢獻。

6、熟悉人工智慧通用技術，例如：影象識別、語音識別、人機互動等。

7、熟悉上層應用領域，例如：汽車、安防、教育、徵信、農業、傳媒、晶片等。

8、當然，可以學一點大資料技術，這是現階段人工智慧基礎。還可以學習雲計算支援，人工智慧可以與雲端相結合。

人工智慧領域和其他最新發展的技術一樣是一個奠基數理科學上的一門技術。

1）所以最基礎知識就是數學，也看到有的回答說需要邏輯。這個也是對的，其實嚴格上來講邏輯與數學也不分家。多少數學家想把完備的數學大廈建立在邏輯的基礎上 ，後來還是失敗了（搜尋David Hilbert, Bertrand Rusell）。這種失敗也是邏輯學家哥德爾(Kurt Godel)用數學的方法來完成的。 離散數學中講到的很多就是邏輯，也是計算機科學發展的基礎。 一句話計算機與數學不分家，人工智慧一般還是認為是計算機科學或資訊科學的一個分支，所以一樣離不開數學。

2）作為一個普通的人工智慧工程師，不是所有的數學都需要。 主要是高等數學（微積分、最佳化）、線性代數、機率與統計這三門是非常重要而且必要的數學基礎。 很難相信不懂什麼是高斯分佈可以用貝葉斯方法做推理，不懂線性代數可以理解高維空間流形，不懂微積分可以理解反向傳播，和不懂最佳化能理解SVM. 這些必要的數學基礎，也是在教機器學習和資料探勘中一次次被複習的內容。 甚至很多課程要花大量的時間，確定學生有這樣的基礎。

3）程式設計是實現人工智慧的方法，我們懂了理論，就要實踐，程式碼是我們實現我們演算法的唯一路徑。如果我們程式碼能力不好，我們無法正確表述我們的理論模型，無法發現程式碼中的錯誤還以為是理論錯了。甚至不夠熟練，會把一個簡單問題，變得很複雜，是演算法的計算複雜度超級大，需要很長的時間求解。 我印象中一個特別清晰的例子，一個演算法中涉及到的一步是從一個超大的資料庫中需要找到3個最大的數，結果一個學生把整個資料庫進行排序演算法之後取前三個，可想而知。這個演算法能快嗎？還有跟多的例子是我們設計了一個演算法，最後結果出來不是對，我們就研究、討論、分析和各種辦法想理解我們以前的想法哪裡錯了，結果呢，經常是一個Bug!

4) 英文能力，人工智慧學科發展快。大部分文獻是英文的，程式碼的解釋也是英文的。很多技術部落格等等，都是英文中有大量的優秀資源，不是中文中就沒有，但是英文好會讓你學習的能力事半功倍，可以追到前沿，直接看MIT，Berkeley, Standford, CMU教授的一手課程和筆記。

人工智慧的發展近年是大熱潮，對於人類市場而言,人工智慧的發展已經逐漸參透到人類生活及生產的方方面面。

人工智慧的定義可以分為兩部分，即“人工”和“智慧”。“人工”比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或著人自身的智慧程度有沒有高到可以創造人工智慧的地步等等。但總的來說，“人工系統”就是通常意義下的人工系統。關於什麼是“智慧”，就問題多多了。這涉及到其它諸如意識(consciousness)、自我(self)、思維(mind)(包括無意識的思維(unconscious_mind)等等問題。人唯一瞭解的智慧是人本身的智慧，這是普遍認同的觀點。但是我們對我們自身智慧的理解都非常有限，對構成人的智慧的必要元素也瞭解有限，所以就很難定義什麼是“人工”製造的“智慧”了。因此人工智慧的研究往往涉及對人的智慧本身的研究。其它關於動物或其它人造系統的智慧也普遍被認為是人工智慧相關的研究課題。人工智慧目前在計算機領域內，得到了愈加廣泛的重視。並在機器人，經濟政治決策，控制系統，模擬系統中得到應用--機器視覺:指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統等。人工智慧(Artificial Intelligence)是研究解釋和模擬人類智慧、智慧行為及其規律的一門學科。其主要任務是建立智慧資訊處理理論，進而設計可以展現某些近似於人類智慧行為的計算系統。AI作為計算機科學的一個重要分支和計算機應用的一個廣闊的新領域，它同原子能技術，空間技術一起被稱為20世紀三大尖端科技。人工智慧學科研究的主要內容包括：知識表示、自動推理和搜尋方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智慧機器人、自動程式設計等方面。知識表示是人工智慧的基本問題之一，推理和搜尋都與表示方法密切相關。常用的知識表示方法有：邏輯表示法、產生式表示法、語義網路表示法和框架表示法等。常識，自然為人們所關注，已提出多種方法，如非單調推理、定性推理就是從不同角度來表達常識和處理常識的。問題求解中的自動推理是知識的使用過程，由於有多種知識表示方法，相應地有多種推理方法。推理過程一般可分為演繹推理和非演繹推理。謂詞邏輯是演繹推理的基礎。結構化表示下的繼承效能推理是非演繹性的。由於知識處理的需要，近幾年來提出了多種非演澤的推理方法，如連線機制推理、類比推理、基於示例的推理、反繹推理和受限推理等。搜尋是人工智慧的一種問題求解方法，搜尋策略決定著問題求解的一個推理步驟中知識被使用的優先關係。可分為無資訊導引的盲目搜尋和利用經驗知識導引的啟發式搜尋。啟發式知識常由啟發式函式來表示，啟發式知識利用得越充分，求解問題的搜尋空間就越小。典型的啟發式搜尋方法有A*、AO*演算法等。近幾年搜尋方法研究開始注意那些具有百萬節點的超大規模的搜尋問題。機器學習是人工智慧的另一重要課題。機器學習是指在一定的知識表示意義下獲取新知識的過程，按照學習機制的不同，主要有歸納學習、分析學習、連線機制學習和遺傳學習等。知識處理系統主要由知識庫和推理機組成。知識庫儲存系統所需要的知識，當知識量較大而又有多種表示方法時，知識的合理組織與管理是重要的。推理機在問題求解時，規定使用知識的基本方法和策略，推理過程中為記錄結果或通訊需設資料庫或採用黑板機制。如果在知識庫中儲存的是某一領域(如醫療診斷)的專家知識，則這樣的知識系統稱為專家系統。為適應複雜問題的求解需要，單一的專家系統向多主體的分散式人工智慧系統發展，這時知識共享、主體間的協作、矛盾的出現和處理將是研究的關鍵問題。需要數學基礎：高等數學，線性代數，機率論數理統計和隨機過程，離散數學，數值分析。需要演算法的積累：人工神經網路，支援向量機，遺傳演算法等等演算法;當然還有各個領域需要的演算法，比如要讓機器人自己在位置環境導航和建圖就需要研究SLAM;

總之演算法很多需要時間的積累。

需要掌握至少一門程式語言：畢竟演算法的實現還是要程式設計的;如果深入到硬體的話，一些電類基礎課必不可少。

人工智慧的發展歷程

時至今日，人工智慧發展日新月異，此刻AI已經走出實驗室，離開棋盤，已透過智慧客服、智慧醫生、智慧家電等服務場景在諸多行業進行深入而廣泛的應用。可以說，AI正在全面進入我們的日常生活，屬於未來的力量正席捲而來。讓我們來回顧下人工智慧走過的曲折發展的60年曆程中的一些關鍵事件：

1946年，全球第一臺通用計算機ENIAC誕生。它最初是為美軍作戰研製，每秒能完成5000次加法，400次乘法等運算。ENIAC為人工智慧的研究提供了物質基礎。

1950年，艾倫·圖靈提出“圖靈測試”。如果電腦能在5分鐘內回答由人類測試者提出的一些列問題，且其超過30%的回答讓測試者誤認為是人類所答，則透過測試。這邊論文語言了創造出具有真正智慧的機器的可能性。

1959年，首臺工業機器人誕生。美國發明家喬治·德沃爾與約瑟夫·英格伯格發明了首臺工業機器人，該機器人藉助計算機讀取示教儲存程式和資訊，發出指令控制一臺多自由度的機械。它對外界環境沒有感知。

1964年，首臺聊天機器人誕生。美國麻省理工學院AI實驗室的約瑟夫·魏岑鮑姆教授開發了ELIZA聊天機器人，實現了計算機與人透過文字來交流。這是人工智慧研究的一個重要方面。不過，它只是用符合語法的方式將問題複述一遍。

1965年，專家系統首次亮相。美國科學家愛德華·費根鮑姆等研製出化學分析專家系統程式DENDRAL。它能夠分析實驗資料來判斷未知化合物的分子結構。

1968年，首臺人工智慧機器人誕生。美國斯坦福研究所（SRI）研發的機器人Shakey，能夠自主感知、分析環境、規劃行為並執行任務，可以柑橘人的指令發現並抓取積木。這種機器人擁有類似人的感覺，如觸覺、聽覺等。

1970年，能夠分析語義、理解語言的系統誕生。美國斯坦福大學計算機教授T·維諾格拉德開發的人機對話系統SHRDLU，能分析指令，比如理解語義、解釋不明確的句子、並透過虛擬方塊操作來完成任務。由於它能夠正確理解語言，被視為人工智慧研究的一次巨大成功。

1976年，專家系統廣泛使用。美國斯坦福大學肖特里夫等人釋出的醫療諮詢系統MYCIN，可用於對傳染性血液病患診斷。這一時期還陸續研製出了用於生產製造、財務會計、金融等個領域的專家系統。

1980年，專家系統商業化。美國卡耐基·梅隆大學為DEC公司製造出XCON專家系統，幫助DEC公司每年節約4000萬美元左右的費用，特別是在決策方面能提供有價值的內容。

1981年，第五代計算機專案研發。日本率先撥款支援，目標是製造出能夠與人對話、翻譯語言、解釋影象，並能像人一樣推理的機器。隨後，英美等國也開始為AI和資訊科技領域的研究提供大量資金。

1984年，大百科全書（Cyc）專案。Cyc專案試圖將人類擁有的所有一般性知識都輸入計算機，建立一個巨型資料庫，並在此基礎上實現知識推理，它的目標是讓人工智慧的應用能夠以類似人類推理的方式工作，成為人工智慧領域的一個全新研發方向。

1997年，“深藍”戰勝國際象棋世界冠軍。IBM公司的國際象棋電腦深藍DeepBlue戰勝了國際象棋世界冠軍卡斯帕羅夫。它的運算速度為每秒2億步棋，並存有70萬份大師對戰的棋局資料，可搜尋並估計隨後的12步棋。

2011年，Watson參加智力問答節目。 IBM開發的人工智慧程式“沃森”（Watson）參加了一檔智力問答節目並戰勝了兩位人類冠軍。沃森儲存了2億頁資料，能夠將於問題相關的關鍵詞從看似相關的答案中抽取出來。這一人工智慧程式已被IBM廣泛應用於醫療診斷領域。

2016~2017年，AlphaGo戰勝圍棋冠軍。AlphaGo是由Google DeepMind開發的人工智慧圍棋程式，具有自我學習能力。它能夠蒐集大量圍棋對弈資料和名人棋譜，學習並模仿人類下棋。DeepMind已進軍醫療保健等領域。

2017年，深度學習大熱。AlphaGoZero（第四代AlphaGo）在無任何資料輸入的情況下，開始自學圍棋3天后便以100:0橫掃了第二版本的“舊狗”，學習40天后又戰勝了在人類高手看來不可企及的第三個版本“大師”。

學習python！

但是還不夠！

人工智慧，經過媒體的大肆渲染，熱火朝天！

但是呢，要想深入研究，裡面的水可不淺！

首先，python是人工智慧領域比較推薦的程式語言，他比較簡單，優雅，規範！

其次，人工智慧涉及到的幾大領域，NLP. ML. 等等，需要很深的羅輯思維和數學功底！

一。如上所述，人工智慧是一門綜合性學科。它可以分為許多方面，如神經網路、機器識別、機器視覺、機器人等。一個人要自己學習人工智慧的方方面面並不容易。因為你想知道人工智慧在程式設計方面需要多深。無論是C++還是彙編，它都是一種可以靈活使用的語言。機器人模擬大多采用混合程式設計模式，即採用多種程式設計軟體和語言相結合的方式。這是為了彌補語言的不足。Prolog在邏輯推理中更為突出。C++在硬體介面和windows連線方面更為突出，而Matlab在數學模型計算方面更為突出。如果你想單獨學習人工智慧演算法，Prolog就足夠了。如果你想開發機器模擬程式，VC++MATLAB應該學習更多。瞭解你想買什麼。我只能給你介紹我讀過的書，你可以考慮一下。

一。人工智慧演算法：第三版人工智慧及其應用，人工智慧與知識工程。我想買這兩個中的一個是可以的。第一種感覺簡單而全面。有很多這樣的書。大部分內容都是重複的，所以你可以買一兩本。

2。在機器視覺演算法方面：《機器視覺演算法與應用》一書主要探討機器視覺在工業生產中的應用。從內容上講不是很簡單，建議不要作為入門教材來學習。

三。機器人：這是新版機器人技術手冊的日文譯本。也許這是我在噹噹網找到的唯一一本全面實用的機器人書。這本書從基礎到應用以及機器人的一些實際問題都非常全面。強烈建議買一個。

2。學習人工智慧需要以下基本知識：

一。需要數學基礎：高等數學、線性代數、機率論、數理統計和隨機過程、離散數學、數值分析。

2。需要演算法積累：人工神經網路、支援向量機、遺傳演算法等演算法；當然，各個領域也需要演算法，比如slam的研究，讓機器人在定位環境中導航和地圖繪製；總之，很多演算法需要時間積累。

三。你至少需要掌握一門程式語言，畢竟演算法的實現還需要程式設計；如果你深入硬體，一些基礎的電氣課程是必不可少的。

一般來說，人工智慧只能在研究生院學習。本科課程只是氾濫成災。畢竟，所需的基礎課程太多了。

人工智慧技術體系涉及到的知識還是比較多的，基礎知識包括數學、計算機、控制學、哲學、神經學和語言學等內容，所以人工智慧也是典型的交叉學科，不僅學習難度比較大，涉及到的知識量也非常大，因此長期以來人工智慧領域的人才培養都是以研究生教育為主。

對於當前的職場人來說，如果想在不讀研的情況下，進入人工智慧領域發展，通常可以從以下幾個方面入手：

第一：學習人工智慧平臺知識。對於基礎比較薄弱的初學者來說，目前進入人工智慧領域最快速的方法之一就是學習人工智慧平臺知識，隨著各大科技公司紛紛開放自己的人工智慧平臺，使得人工智慧技術的開發門檻得到了很大程度的降低。透過人工智慧平臺，即使不掌握人工智慧技術的細節，也能夠開發出各種人工智慧應用，隨著產業網際網路的發展，未來人工智慧平臺在促進人工智慧技術落地應用方面，會起到越來越大的作用。

第二：學習機器學習知識。如果要深入學習人工智慧知識，可以考慮從機器學習開始入手，一方面機器學習領域的知識體系相對完善，而且機器學習在大資料領域也有廣泛的應用（兩種主要資料分析手段之一），另一方面計算機視覺、自然語言處理等方向也需要機器學習的支撐。

第三：應用場景知識。應用場景知識對於從事人工智慧領域的研發也有非常直接的影響，實際上場景對於人工智慧產品是否能夠實現落地應用起到決定性的作用，所以掌握應用場景知識（構建）對於進入人工智慧領域發展也是比較重要的。目前物聯網被認為是人工智慧產品實現落地應用的重要場景，所以應該掌握一定的物聯網知識。

需要數學基礎：高等數學，線性代數，機率論數理統計和隨機過程，離散數學，數值分析。

     需要演算法的積累：人工神經網路，支援向量機，遺傳演算法等等演算法；當然還有各個領域需要的演算法，比如要讓機器人自己在位置環境導航和建圖就需要研究SLAM；總之演算法很多需要時間的積累。

     需要掌握至少一門程式語言，畢竟演算法的實現還是要程式設計的，目前最主流的是python

英語不能少，需要閱讀論文；程式設計能力不能少，需要驗證演算法；數學能力不能少，需要支撐演算法。最重要的還是自己的學習能力。