人工智慧東西太多主要還是得看你自己對什麼感興趣了。分享一下我對人工智慧的一點點了解，

在此整理了5種比較適用於人工智慧開發的程式語言：

Python

Python由於簡單易用，是人工智慧領域中使用較廣泛的程式語言之一，它可以無縫地與資料結構和其他常用的AI演算法一起使用。Python之所以時候AI專案，其實也是基於Python的很多有用的庫都可以在AI中使用，如Numpy提供科學的計算能力，Scypy的高階計算和Pybrain的機器學習。另外，Python有大量的線上資源，所以學習曲線也不會特別陡峭。

對於AI專案來說，演算法幾乎是靈魂，無論是搜尋演算法、自然語言處理演算法還是神經網路，Java都可以提供一種簡單的編碼演算法。另外，Java的擴充套件性也是AI專案必備的功能之一。

Lisp

Lisp因其出色的原型設計能力和對符號表達式的支援在AI領域嶄露頭角。LISP作為因應人工智慧而設計的語言，因其可用性和符號結構而主要用於機器學習/ ILP子領域。著名的AI專家彼得·諾維奇（Peter Norvig）在其《Artificial Intelligence: A modern approach》一書中，詳細解釋了為什麼Lisp是AI開發的頂級程式語言之一。

Prolog

Prolog一種邏輯程式語言，主要是對一些基本機制進行程式設計，對於AI程式設計十分有效，例如它提供模式匹配，自動回溯和基於樹的資料結構化機制。結合這些機制可以為AI專案提供一個靈活的框架。Prolog廣泛應用於AI的 expert系統，也可用於醫療專案的工作。

C ++

在AI專案中，C++可用於統計，如神經網路。另外演算法也可以在C ++被廣泛地快速執行，遊戲中的AI主要用C ++編碼，以便更快地執行和響應時間。這也是一門非常不錯的語言。

主要包括兩個方面：1、數學演算法 2、計算機技術

一、數學演算法包括如下：

1、 線性代數

標量、向量、矩陣和張量；矩陣向量的運算；單位矩陣和逆矩陣；行列式；方差，標準差，協方差矩陣；範數；特殊型別的矩陣和向量；特徵分解以及其意義；奇異值分解及其意義

Moore-Penrose 偽逆；跡運算

2、 概率統計

概率學派和貝葉斯學派；何為隨機變數和何又為概率分佈；條件概率，聯合概率和全概率公式；邊緣概率；獨立性和條件獨立性；期望、方差、協方差和相關係數；常用概率分佈；貝葉斯及其應用；中心極限定理；極大似然估計；概率論中的獨立同分布

3、 優化

計算複雜性與NP問題；上溢和下溢；導數，偏導數及兩個特殊矩陣；方向導數和梯度；梯度下降法；牛頓法；仿射集,凸集和凸錐；超平面，半空間及凸集分離定理；不改變凸性的運算；凸函式及凸優化簡述；無約束的優化，等式約束優化，不等式約束優化；線性規劃中對偶理論；拉格朗日對偶理論

4、 資訊理論及其他

資訊熵；條件熵；相對熵 (KL散度)；互資訊；幾種常用的距離度量；圖論；樹論

懂得計算機原理，計算機程式知識，計算機程式設計，包括如下：

精通Python和Java。瞭解TensorFlow，Café和Torch等主流人工智慧庫。能夠從HDFS(Hadoop Distributed File System, Hadoop分散式檔案系統)資料庫中提取正確的資料。知道如何使用過濾器。能夠融合和關聯不同的feed。提高解析度。瞭解神經網路。需要演算法的積累：人工神經網路，支援向量機，遺傳演算法等道等演算法;當然還有各個領域需要的演算法，比如要回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。

人工智慧是電腦科學的一個復分支，它企圖瞭解智慧的實質，並生產出一種新的能以人類智慧相似的方式做出反應的智慧機器，該領域的研究包括制機器人、語言識別、影象識別、自然語言處理和專家系統等。人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的“容器”。人工智慧可以對人的意識、思維的資訊過程的模擬百。人工智慧不是人的智慧度，但能像人那樣思考、也可能超過人的智慧。

人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計問算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智慧才能完成的複雜工作。但不同的答時代、不同的人對這種“複雜工作”的理解是不同的。

人工智慧是一門邊沿學科，屬於自然科學、社會科學、技術科學三向交叉學科，涉及哲學和認知科學，數學，神經生理學，心理學，電腦科學，資訊理論，控制論，不定性論，仿生學，社會結構學等學科。