人工智慧可以從不同緯度分很多方向，每個方向需要學習的重點也不盡相同:

從領域來看，可分為語音、影象、自然語言、決策推理等，每個領域關注的點有所不同。到都有個共同點，機器學習、深度學習是基礎，每個領域都可以用到，只是不同的演算法側重點不一樣。

從工作性質來看，可分為學術研究、AI應用。學術研究更偏演算法推演，對數學基礎要求較高。AI應用偏實踐，關注業界前沿研究，並應用到業務場景中。

大家好，我認為人工智慧技術的學習需要循序漸進。

首先從機器學習ML開始，機器學習經歷了多年的發展形成了豐富的模型結構，例如線性迴歸、決策樹、邏輯迴歸、向量機、貝葉斯、神經網路等，我們只有修改一下模型的引數，對其進行訓練輸出最優模型即可；

第二要學習深度學習DL,深度學習可以構建一套複雜的網路輸入大量的資料進行訓練輸出最優的模型，這個過程是對於計算機的計算能力要求很高，所以隨著雲計算與大資料的發展也加快了深度學習的步伐，深度學習有很多網路結構需要學習，如DNN、CNN、RNN、LSTM、GAN等,每種網路結構應用的領域不一樣，如CNN用在影象識別分析領域，RNN、LSTM用在語音識識別；

第三要學習一下python程式語言,python在大資料處理這一塊有其自身的優勢，支援Pytorch、TensorFlow等人工智慧框架；

人工智慧是計算機科學的一個分支，它的研究包括機器人、語言識別、影象識別、自然語言處理和專家系統等。

全面學習人工智慧的知識比較多，涉及的面比較廣，需要有高等數學、計算機及機器學習以等方面的知識。

一、高等數學知識

數學知識包括資料分析、機率、線性代數、矩陣、凸最佳化等。

二、程式語言

程式語言比較多，如C、C++、MATLAB、LISP、Prolog和Python等。其中，重點要學好Python語言，Python是機器學習比較流行的語言，Python比較簡單，能呼叫其它語言，發揮各語言優勢。

Python語言具有的優勢：

（1）具有清晰的Python語法結構。容易理解，即使不是程式設計人員也能理解程式的含義；

（2）容易操作純中文檔案；

（3）Python的科學工具可以與繪圖工具Matplotlib協調工作；

（4）使用廣泛、存在大量的開發文件。目前科學和金融領域Python語言得到了廣泛應用。

三、機器學習

機器學習包括：迴歸演算法、決策樹、隨機森林和提升演算法；資料分析的Aprior演算法和關聯規則等。機器學習”的數學基礎是“統計學”、“資訊理論”和“控制論”。還包括其他非數學學科。

機器學習的特徵：

（1）建立簡單的機器學習模型，按照重要性對特徵進行排列；

（2）根據得到的特徵排列，有針對的進行工程，提取特徵；

（3）重複上述過程，不斷的最佳化自己的模型，找到關鍵的特徵；

（4）對模型的引數進行調參，最最佳化，得到最佳模型組合。