機器學習(machine learning)：是一門多領域交叉學科，涵蓋的範圍也比較廣涉及了機率論、統計學等多門學科。專門研究計算機怎樣模擬或實現人的學習行為，它能夠發現和挖掘資料所包含的潛在價值。機器學習已經成為了人工智慧的一個分支，透過自學習演算法，發現和挖掘資料潛在的規律，從而對未知的資料進行預測。機器學習已經廣泛的運用在了，計算機科學研究、自然語言處理、機器視覺、語音、遊戲等。機器學習的方法主要分為三種，監督學習（supervised learning）、無監督學習(unsupervised learning)、強化學習(reinforcement learning)。應用較多的有監督學習，下面我就簡單的介紹一下這三種演算法。一、監督學習(supervised learning)下面用一個簡單的結構圖來展示一下監督學習的系統構成

監督學習主要包括兩個大類：分類演算法和迴歸演算法。監督學習最突出的特點就是，訓練的資料必須要是有類標的。監督學習可以從帶有類標的訓練資料中，來學習資料中包含的一些特徵，然後透過這些提取資料中的這些特徵來對資料進行預測。1、分類比如說，你想訓練一個系統能夠區分貓和狗，那麼你就需要事先準備好大量的貓和狗的照片，並標記哪張照片是貓哪張照片是狗。然後在透過反向傳播，梯度下降來更新模型引數，最終系統會透過你給的照片來記住貓和狗的特徵，從而來區分貓和狗。為了表示分類的效果，我們用一個二維的座標系來表示，下圖中的直線就表示分割平面，也就是我們系統所需要學習的，從下圖可以看出這條直線能夠很好的區分兩類不同的資料。2、迴歸分類系統所預測的值是一個離散的結果，而回歸系統的預測值是一個連續的數值，可以被應用在房間預測模型、股價等。系統透過大量的訓練資料，來從中尋找自變數(輸入)和因變數(輸出)的關係，它們之間的關係可能是線性也可能是非線性的，系統會學習到輸入與輸出之間的對映的關係(y=f(x))，然後再根據輸入資料來預測輸出。我還記得在高中的物理實驗探討下降高度和時間的關係，其實我們有接觸過這種思想，我們首先透過設定不同的下降高度，然後再記錄小鐵球的下降時間，透過記錄很多的h和t，然後再透過最小二乘法來繪製下降高度(h)和下降時間(t)的曲線，最終可以得到近似於h=1/2*g*t^2(初速度為0)。下面我們還是在二維平面中，來舉一個迴歸的例子從上面的圖可以發現，其實最終我們只需要知道直線的斜率和截距就可以確定這條直線。所以說，透過大量的資料，最後系統學到的就是這兩個引數的值。二、強化學習強化學習是透過構建一個系統（agent），在與環境（environment）互動的過程中提高系統的效能。環境的當前狀態資訊會包括一個反饋訊號，我們可以透過這個反饋訊號對當前的系統進行評價改善系統。透過與環境的互動，agent可以透過強化學習來得到一系列行為，透過對激勵系統的設計使得正向反饋最大。強化學習經常被使用在遊戲領域，比如圍棋比賽，系統會根據當前棋盤上的局態來決定下一步的位置，透過遊戲結束時的勝負來作為激勵訊號。其實可以將強化學習的過程理解為一個訓練狗的過程，比如：你想要訓練這隻狗能夠聽懂你的指定，剛開始的時候狗肯定是不會聽你的話的，當它不聽你的話時候，你就打它一頓(不聽話的懲罰)，它聽話的時候你就給他吃的(聽話的獎勵)，隨著訓練時間的越來越久，它會越來越聽你的話，這就是整個強化學習系統的工作過程。三、無監督學習無監督學習所處理的是無類標或者資料的總體趨勢不明朗，透過無監督學習我們可以將這些不知道類標和輸出標量以及沒有反饋訊號的情況下，來尋找資料中所潛在的規律。無監督學習可以分為聚類和降維。1、聚類聚類屬於一種探索性的資料分析技術，在沒有任何已知資訊（類標、輸出變數、反饋訊號）的情況下，我們可以將資料劃分為簇。在分析資料的時候，所劃分的每一個簇中的資料都有一定的相似度，而不同簇之間具有較大的區別。2、降維在實際情況中所處理的資料都是高維的（成百上千），那麼這將會導致我們每次所處理的資料量是非常的龐大，而儲存空間通常都是有限的。無監督的降維技術經常被使用在資料特徵的預處理中，透過降維技術我們可以去掉資料中的噪聲，以及不同維度中所存在的相似特徵，最大程度上在保留資料的重要資訊情況下將資料壓縮到一個低維的空間中，但同時也還是會降低演算法的準確性。降維技術通常被應用在資料壓縮和資訊檢索中，透過降維技術來壓縮資料可以節省大量的空間。在資訊檢索中，由於資訊量非常巨大，我們可以透過降維技術來提取資料中最主要的特徵，然後再進行檢索，可以大大提高效率和檢索速度。

　　當前和未來兩年，人工智慧是技術行業的發展主流。用來開發機器學習主要有三門語言：Python Java C++，其中Python是主流。學習人工智慧技術之前，得先好好複習下高數，比如說，高數，微積分，線性代數等知識，會對你以後的學習很有幫助。

　　1、要把分類弄清楚，然後搞一個行業圖譜，並且能夠弄清楚它的上下游，這樣有助於你對行業的瞭解，也有助你進入行業交流也非常迅速並且暢通無阻;

　　2、你需要數學基礎：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;

　　3、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。

　　如果你有對應的計算機程式設計或者有過相關的開發經驗，然後來學習人工智慧，那麼難度上會小很多，而且根據個人的情況，可以考慮直接跳過基礎部分內容的學習，直接開始學習後面中級和高階部分的課程，這樣一來，你的學習所需要的時間就會縮短。

　　如今，網路資源那麼發達，IT類技術都不難找到各式各樣免費或費用很低的書籍、資料、課件、講座、程式碼。從理論到實踐都有講解。

　　所以，也可以選擇人工智慧影片自學，這種方式主要還是要看學習者的自律能力以及學習能力，不過一般來說，最起碼要半年以上，而且很多人半途就會放棄，最終能成功學會的人沒幾個。所以建議大家還是選擇培訓班：

　　上培訓班的原因很簡單：為了省事——自己學太累了，不如聽老師講。用耳朵聽，比用眼睛看書輕鬆，而且老師講的，總比書上寫的豐富細緻吧。

　　用自己的金錢和時間換取他人的知識和經驗當然沒問題，甚至可能是高效的辦法。但如果覺得，只要自己花了錢，就可以坐在那裡，等著老師把知識塞到自己腦子裡，可就大錯特錯了。

　　學習的過程，必須學習者主動吸收理解，才能達到掌握知識的目的。因此對於大多數人來說，還是直接選擇線下面對面這種學習方式來得靠譜，一般透過半年的學習，進入工作中快速積累專案經驗，是一個不錯的方式。

不管使用何種方法研究人工智慧，都不會脫離開兩個方面：智慧的理論基礎、人工智慧的實現。所以，一種廣受研究者認可的人工智慧研究的基本內容總結為九個方面（參考資料蔡自興老師的《人工智慧及其應用》）：認知建模、知識表示、知識推理、知識應用、機器感知、機器思維、機器學習、機器行為、智慧系統構建。

認知建模、知識表示、知識推理是對人類智慧模式的一種抽象。

認知建模主要研究人類的思維方式、資訊處理的過程、心理過程，以及人類的知覺、記憶、思考、學習、想象、概念、語言等相關的活動模式。

知識表示，則是將人類已經掌握的知識概念化、形式化、模型化，這個的重要性在於，人類要想建立超越人的人工智慧系統，就要把整個人類種群所掌握的知識灌輸給它，從而讓它在一定程度上可以在知識量方面超越任何一個人類個體。

知識推理，則是研究人類如何利用已有的知識去推匯出新的知識或結論的過程，從而可以讓機器也可以具備像人一樣的推理能力。

機器感知、機器思維、機器學習、機器行為則是對人類智慧的一種模擬實現。

機器感知研究的是如何使機器具有類似於人類的感覺，包括視覺、聽覺、觸覺、嗅覺、痛覺等等，這個要用到認知建模裡面的知覺理論，而且需要能夠提供相應知覺所需資訊的感測器。舉個例子，機器視覺具有視覺理論基礎，同時還需要攝像頭等感測器提供機器視覺所需要的影象資料。

機器思維，則是利用機器感知的資訊、認知模型、知識表示和推理來有目標的處理感知資訊和智慧系統內部的資訊，從而針對特定場景給出合適的判斷，制定事宜的策略。這個說起來抽象，實際上大家已經接觸到的路徑規劃、預測、控制等都屬於機器思維的範疇。機器思維，顧名思義就是在機器的腦子裡進行的動態活動，也就是計算機軟體裡面能夠動態的處理資訊的演算法。

機器學習，是與人類的學習活動對標的。雖然有了知識並且也可以基於已有知識去推理，但是機器也要像人一樣不斷地學習新的知識從而更好地適應環境。機器學習研究的就是如何讓機器在與人類、自然互動的過程中自發的學習新的知識，或者利用人類已有的文獻資料資料進行知識學習。目前，人工智慧研究和應用最廣泛的內容就是機器學習，包括深度學習、強化學習等。

機器行為是指智慧系統具有的表達能力和行動能力，包括與人對話、與機器對話、描述場景、移動、操作機器和抓取物體等能力。而語音系統（音箱）、執行機構（電機、液壓系統）等是機器行為的物質基礎。智慧系統要想具備行為能力，離不開機器感知和機器思維的結果。思維是行為的基礎，所謂是知行合一。

人工智慧研究的最終要構建擬人、類人、超越人的智慧系統

擬人、類人、超越人是人工智慧的三部曲，人類最終要用一種實用的方式將上述關於知識和機器的研究技術付諸實現。目前已有的人工智慧系統的實現主要體現在機器人（仿人、仿生，如Atlas仿人機器人，Big Dog機器狗等）、無人系統（無人車、無人機、無人船）、人工大腦（IBM沃森、阿爾法狗）等

一句話總結：人工智慧主要研究如何讓機器像人一樣具備感知、獲取知識、儲存知識、推理思考、學習、行動等能力，並最終建立擬人、類人、或超越人的智慧系統。

主要是學，機器怎麼像人一樣思考和解決問題。

不光是模仿大腦，也同時模仿人的器官，比如眼睛怎樣處理影象。

學python 機器學習 深度學習

再研究演算法 實現智慧

從弱Ai 到 強Ai 智慧越來越接近人類 智慧也是最重要的部分

人工智慧是一個包含很多學科的交叉學科，你需要了解計算機的知識、資訊理論、控制論、圖論、心理學、生物學、熱力學，要有一定的哲學基礎，有科學方法論作保障。人工智慧學習路線最新版本在此奉上：

首先你需要數學基礎：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；

其次需要演算法的積累：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，比如你要讓機器人自己在位置環境導航和建圖就需要研究SLAM；

作為一名教育工作者，我來回答一下這個問題。

目前一部分高校在本科階段開設了人工智慧專業，從課程體系結構來看，主要分成四大部分，第一部分是基礎學科部分，主要涉及到數學和物理相關課程；第二部分是計算機基礎課程，涉及到程式語言、作業系統、演算法設計等課程；第三部分是人工智慧基礎課程，涉及到人工智慧基礎、機器學習、控制學基礎、神經科學、語言學基礎等內容；第四部分涉及到人工智慧平臺相關知識。

由於人工智慧是典型的交叉學科，所以人工智慧專業需要學習的內容還是相對比較多的，而且學習難度也相對比較大，因此如果在本科階段選擇人工智慧專業需要具有較強的學習能力。由於人工智慧專業的學習過程對於學習環境有較高的要求，所以開設人工智慧專業的高校往往都會有專門的資料中心、計算中心，以便於為學生提供資料和算力的支撐。

人工智慧目前有六大研究方向，涉及到計算機視覺、自然語言處理、機器人學、自動推理、機器學習和知識表示，這些研究方向之間也存在比較緊密的聯絡，目前計算機視覺、自然語言處理和機器學習這三個方向的熱度相對比較高。由於不同的高校往往有不同的資源整合能力，在人工智慧領域也有一定的側重點，所以在選擇具體學習方向的時候，應該結合所在高校的實際情況，儘量選擇學科實力比較強的方向，這樣會有一個更好的學習體驗。

目前來說，人工智慧專業只有研究生以及以上學歷的人群才能夠接觸到。而普通的本科專業中並沒有人工智慧的專業。那麼對於想要選擇人工智慧專業的準研究生來說，人工智慧專業難學嗎，學完就業情況怎麼樣了。

目前人工智慧專業的學習內容有: 機器學習、人工智慧導論(搜尋法等)、影象識別、生物演化論、自然語言處理、語義網、博弈論等。 需要的前置課程主要有，訊號處理，線性代數，微積分，還有程式設計(最好有資料結構基礎)

從上面的專業課程內容來看，需要掌握的人工智慧相關的知識內容還是很多的，不過前置的課程在大學本科期間都有學習過，如訊號處理，線性代數，微積分這些，如果你在學校期間，這部分的內容學習的不錯，那麼恭喜你了，你的基礎不錯。可以專心學習後面機器學習、深度學習相關的內容了。

從專業的角度來說，機器學習、影象識別、自然語言處理，這其中任何一個都是一個大的方向，只要精通其中一個方向，就已經很厲害了。所以不要看內容很多，有些你只是需要掌握，最終你需要選擇的是一個方向深入研究。其實嚴格來說，人工智慧不算難學，但是也不是輕輕鬆鬆就能學會的，需要有一定的數學相關的基礎，同時還有一段時間的積澱。

人工智慧主要是學一些Python基礎，機器學習演算法，深度學習演算法等的，主要是用一些演算法來預測未來的。

推薦你可以瞭解一下尚學堂和百戰程式設計師的人工智慧課程，這個課程是純人工智慧實戰課程，每個階段的內容都有專案融入，用專案鞏固學習的技術知識點。最後在透過4個專案實戰溫習整個學習過的知識點技術。

什麼是人工智慧

人工智慧，英文名為Artificial Intelligence，也就是人們口中的AI。它是研究、開發用於模擬、延伸和擴充套件人的智慧的理論、方法、技術及應用系統的一門新技術科學。

人工智慧的主旨是研究和開發出智慧實體，‍‍在這一點上它屬於工程學。由於覆蓋的領域非常廣泛，所以‍‍這是一門‍‍集眾多學科精華的‍‍尖端技術。‍

人工智慧涉及的學科包括：計算機科學、資訊理論、控制論、自動化、仿生學、生物學、醫學等多門學科。

目前國內高校本科生階段的專業目錄中並沒有設定人工智慧專業，在研究生階段才開設相應的研究方向。但是本科階段有很多專業是與人工智慧相關的，比如計算機類、電子資訊類、自動化類、數學類。

計算機類包含：計算機科學與技術、軟體工程、網路工程、資訊保安、物聯網工程、積體電路設計與整合系統等學科

自動化類包含：自動化、軌道交通訊號與控制等

數學類包含：數學與應用數學、資訊與計算科學、數理基礎科學、資料科學與大資料技術等

作為新一輪產業變革的核心驅動力和引領未來發展的戰略技術，國家高度重視人工智慧產業的發展。

尤其是5G概念提出並實現後，人工智慧的發展更是一片光明，自動駕駛和智慧城市、智慧傢俱等等人工智慧產品逐漸走進人們的視線，試想一下，在未來的某一天，電影中的黑科技生活全都成為現實，科技感爆棚！這即是人類發展進步的一大標誌，更是未來的又一新機遇。

人工智慧在計算機視覺，語音，文字，影片，搜尋，推薦，機器人等等領域都有落地。人工智慧目前還在初級階段。隨著技術的發展會越來越先進。

機率論、數理統計、矩陣論、圖論、隨機過程、最最佳化、神經網路、貝葉斯理論、支援向量機、粗糙集、經典邏輯、非經典邏輯、認知心理學當然本科微積分、線性代數是更基礎的東西 還要學些程式設計工具，matlab，spss，C++或Java

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。數學基礎知識蘊含著處理智慧問題的基本思想與方法，也是理解複雜演算法的必備要素。今天的種種人工智慧技術歸根到底都建立在數學模型之上，要了解人工智慧，首先要掌握必備的數學基礎知識。線性代數將研究物件形式化，機率論描述統計規律。

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，比如C語言，MATLAB之類。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。

1、學習並掌握一些數學知識

高等數學是基礎中的基礎，一切理工科都需要這個打底，資料探勘、人工智慧、模式識別此類跟資料打交道的又尤其需要多元微積分運算基礎

線性代數很重要，一般來說線性模型是你最先要考慮的模型，加上很可能要處理多維資料，你需要用線性代數來簡潔清晰的描述問題，為分析求解奠定基礎

機率論、數理統計、隨機過程更是少不了，涉及資料的問題，不確定性幾乎是不可避免的，引入隨機變數順理成章，相關理論、方法、模型非常豐富。很多機器學習的演算法都是建立在機率論和統計學的基礎上的，比如貝葉斯分類器、高斯隱馬爾可夫鏈。

再就是最佳化理論與演算法，除非你的問題是像二元一次方程求根那樣有現成的公式，否則你將不得不面對各種看起來無解但是要解的問題，最佳化將是你的GPS為你指路

有以上這些知識打底，就可以開拔了，針對具體應用再補充相關的知識與理論，比如說一些我覺得有幫助的是數值計算、圖論、拓撲，更理論一點的還有實/複分析、測度論，偏工程類一點的還有訊號處理、資料結構。

2、掌握經典機器學習理論和演算法

如果有時間可以為自己建立一個機器學習的知識圖譜，並爭取掌握每一個經典的機器學習理論和演算法，我簡單地總結如下：

1) 迴歸演算法：常見的迴歸演算法包括最小二乘法（OrdinaryLeast Square），邏輯迴歸（Logistic Regression），逐步式迴歸（Stepwis Regression），多元自適應迴歸樣條（MultivariateAdaptive Regression Splines）以及本地散點平滑估計（Locally Estimated Scatterplot Smoothing）；

2) 基於例項的演算法：常見的演算法包括 k-Nearest Neighbor(KNN), 學習向量量化（Learning Vector Quantization， LVQ），以及自組織對映演算法（Self-Organizing Map ， SOM）；

3) 基於正則化方法：常見的演算法包括：Ridge Regression， Least Absolute Shrinkage and Selection Operator（LASSO），以及彈性網路（Elastic Net）；

4) 決策樹學習：常見的演算法包括：分類及迴歸樹（ClassificationAnd Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5， Chi-squared Automatic Interaction Detection(CHAID), Decision Stump, 隨機森林（Random Forest）， 多元自適應迴歸樣條（MARS）以及梯度推進機（Gradient Boosting Machine， GBM）；

5) 基於貝葉斯方法：常見演算法包括：樸素貝葉斯演算法，平均單依賴估計（AveragedOne-Dependence Estimators， AODE），以及Bayesian Belief Network（BBN）；

6) 基於核的演算法：常見的演算法包括支援向量機（SupportVector Machine， SVM）， 徑向基函式（Radial Basis Function ，RBF)， 以及線性判別分析（Linear Discriminate Analysis ，LDA)等；

7) 聚類演算法：常見的聚類演算法包括 k-Means演算法以及期望最大化演算法（Expectation Maximization， EM）；

8) 基於關聯規則學習：常見演算法包括 Apriori演算法和Eclat演算法等；

9) 人工神經網路：重要的人工神經網路演算法包括：感知器神經網路（PerceptronNeural Network）, 反向傳遞（Back Propagation）， Hopfield網路，自組織對映（Self-OrganizingMap, SOM）。學習向量量化（Learning Vector Quantization， LVQ）；

10) 深度學習：常見的深度學習演算法包括：受限波爾茲曼機（RestrictedBoltzmann Machine， RBN）， Deep Belief Networks（DBN），卷積網路（Convolutional Network）, 堆疊式自動編碼器（Stacked Auto-encoders）；

11) 降低維度的演算法：常見的演算法包括主成份分析（PrincipleComponent Analysis， PCA），偏最小二乘迴歸（Partial Least Square Regression，PLS）， Sammon對映，多維尺度（Multi-Dimensional Scaling, MDS）, 投影追蹤（ProjectionPursuit）等；

12) 整合演算法：常見的演算法包括：Boosting， Bootstrapped Aggregation（Bagging），AdaBoost，堆疊泛化（Stacked Generalization， Blending），梯度推進機（GradientBoosting Machine, GBM），隨機森林（Random Forest）。

3、掌握一種程式設計工具，比如Python

一方面Python是指令碼語言，簡便，拿個記事本就能寫，寫完拿控制檯就能跑；另外，Python非常高效，效率比java、r、matlab高。matlab雖然包也多，但是效率是這四個裡面最低的。

5、買一個GPU，找一個開源框架，自己多動手訓練深度神經網路，多動手寫寫程式碼，多做一些與人工智慧相關的專案。

6、選擇自己感興趣或者工作相關的一個領域深入下去

人工智慧有很多方向，比如NLP、語音識別、計算機視覺等等，生命有限，必須得選一個方向深入的專研下去，這樣才能成為人工智慧領域的大牛，有所成就。

我是小白，我是上的鄭州新華的電腦學校，學的就是人工智慧的專業，這是我進學校的官網，然後複製的的專業資訊

Linux作業系統基礎

JQuery應用開發

Python核心程式設計資料結構和演算法