首先要把線性代數、微積分、機率論學習一遍，這是數學基礎，然後是統計學習（注意不是統計學），深度學習、vision等書籍，還要學一門語言，我學的是python。也是剛學，以後希望一起進步。最重要的是和相同愛好的人一起學習，多聽講座，多看文獻，因為人工智慧的發展非常迅速，不瞭解最新進展就會落後。

人工智慧需要學什麼

其實並沒有像其它所說的那麼多

什麼數學什麼計算機什麼程式設計

亂七八糟特別多

我在大學裡教電子資訊的

所以感受頗多

現在高校都在往人工智慧靠

然而對於人工智慧並沒有深刻的認知

導致什麼相關蘿蔔白菜都一鍋燉

導致混亂的教學課程更令學生無從學起

那麼從我自身在學校裡執教經驗

與人工智慧的理解結合起來

個人以為要想學習人工智慧

首先，數學當然少不了

數學是一切理論的基礎

但並不是所有數學

比如高等數學 線性代數 複變函式等等

並不是必備課程

只需要學好離散數學

其實離散數學本身也包含了上面數學部分

不過離散數學是以計算機工作思維的數學邏輯

所以尤其重要

因為人工智慧就是以計算機為硬體載體

因而建立在計算機之上的數學思維是最符合

實際情況需要的

而其它數學課程需要學習

但並不是重點內容

因為那些更多是屬於工程數學範疇的多

在以前計算機還沒發展起來之前

工程數學的低位不容置疑

而現在幹什麼都離不開計算機的時代

工程數學的地位已經發生改變

而目前高校裡依然是強調工程數學這樣的基礎

所以大學裡基本上都在學習

高等數學，線性代數，複變函式等

並不是說這些計算機不需要

也需要只是瞭解一下便可

不需要在深入進入

因為進入人工智慧時代

我們只需要建立數學模型

然後離散成計算機能工作的數學演算法

再就透過程式設計實現

這邊是人工智慧需要做的工作

那麼就首先要掌握好離散數學這樣的數學基礎課程

其次當然就是資料結構

為什麼資料這麼重要

我早先在其它文章也說過

資料是人工智慧的基礎

人工智慧必須得紮根在資料肥沃土壤上

才能更加茂盛鮮豔

所以對於資料相關課程的學習顯得尤為重要

最後當然就是程式設計了

這個將整個數學模型得以實現的技術基礎

而目前程式語言也是有很多種

但這些並不是都要學習的

要知道程式設計只是人工智慧得以實現的技術手段而已

對於程式設計掌握一門語言便可

其實其它語言基本上類似相通的

很多時候經常看到學生捧著各種程式語言

什麼c什麼JAVA什麼php什麼html什麼Python

多得數不勝數

自己學得也是眼花繚亂的

對於程式設計呢建議學習一種語言

推介大家學習Python

因為簡單容易入手

太難的學習起來容易放棄

我也看到很多同學

剛開始學程式設計很來勁

之後呢學得枯燥乏味

最後就基本上放棄得一乾二淨

都說貴在堅持

其實不是

是大家沒有選對學習方式

對於初學者就是需要循序漸進

從簡單易入門的上手

這樣學起來會容易獲得階段性成就感

而那些太難的容易挫敗學生

從而導致越來越提不起學習慾望

所以程式設計其實總的來說並不難的

大家需要選擇方法去學習

總的來說，想學習人工智慧那隻需要從這三個方面入手：1，離散數學2，資料結構3，程式設計技術。學完這些之後就具備了一定的基礎，之後就進入專案實戰去實際演練一番，希望大家能夠快速進入到人工智慧的學習中去。

人工智慧要學什麼？這是一個綜合學科。而其本身又分為多個方面如神經網路、機器識別、機器視覺、機器人等。不過，一個人想自學所有人工智慧方面並不是很容易的一件事。

大多機器人模擬都用的混合程式設計模式，也就是運用多種程式設計軟體及語言組合使用。之所以這樣是為了彌補語言間的不足。Python是人工智慧的首選語言，而C++在硬體介面及windos銜接方面比較突出，MATLAB在數學模型計算方面比較突出。

如果想開發機器模擬程式的話，VC++ MATLAB應該多學習點。對於你想買什麼書學習。我們可以選擇哪些書學習呢？

人工智慧演算法方面:《人工智慧及其應用》第三版、還有《人工智慧與知識工程》。這兩本感覺買一本就可以了~第一本感覺能簡單並且全面點。這類書其實很多，但大多內容都是重複的，所以買一到兩本即可。

機器視覺演算法方面:《機器視覺演算法與應用》這本書講的大多都是工業化生產中機器視覺應用。從內容來說並不是很簡單，建議不要當入門教材來學習。

機器人方面：新版《機器人技術手冊》日譯的書，可能這是我當初在噹噹網裡找到唯一一本比較全面實用的機器人方面的書。這本書由基礎到應用以及一些機器人實際問題上講述得很全面，強烈建議大家都買一本。

在學習人工智慧之前，首先要明白你學人工智慧的目的，是出於喜愛，還是覺得這行業有前途以後就幹這行？對於人工智慧來說，計算機科學是在理論研究框架設定方面更側重，自動化則是在具體的應用和執行方面更側重。

千鋒人工智慧的實戰專案全部基於雲伺服器真實上線，實戰專案不僅僅使用商業框架完成，培養具有架構級思想的工程師，具備處理百萬級甚至是千萬級高併發業務處理能力。

在千鋒，人工智慧學員每天至少花半個小時進行自我表達訓練，一個合格的工程師必須具備溝通以及演講技術的能力，一對一面試指導，發現學員面試中的問題並解決，保證高薪就業。

首先，需要了解人工智慧是什麼，它涉及哪些知識領域？人工智慧，顧名思義，它是研究如何用機器模擬人類思維方式，從事類人活動的一門的科學，也是研究、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興技術。它涉及計算機科學、機器人、語言識別、影象識別、自然語言處理、決策系統和專家系統等知識領域。除了涵蓋自然科學，甚至還涵蓋了哲學和心理學等社會科學，是真正的知識大融合，所以要從事該領域的研究和生產是一項極富挑戰性的工作。其次，需要注意以下幾個方面

1、計算機科學領域

（1）程式語言：需要深入學習Python、Go等適用於複雜科學計算的、提供更多成熟演算法處理模組的程式語言。

（2）矩陣運算和演算法模擬：深入學習MATLAB。

（3）根據自己的研究或工作方向學習業界成熟的開發框架或開源庫：例如影象識別（OpenCV等）、語言識別（Python語音識別庫，百度、科大訊飛、捷通華聲等語音識別庫）、神經網路（DistBelief等）、機器學習（Google開發的TensorFlow等）。

（4）大資料處理、分散式計算、雲計算：因為人工智慧無法逾越的一個過程，就是對海量資料進行短時間的處理和決策，所以先得從現有比較成熟的技術入手學習和研究。

（5）其它。

2、演算法

（1）提升自己的數學基礎和計算能力，多看國內外頂級學術刊物上關於人工智慧技術研究的學術文章。

（2）最好自己在理解演算法的基礎上，將其程式設計實現再加以驗證。

3、資料統計、分析和整理

獲得演算法結果後，要善於分析這些資料的規律，從中獲得有效資訊。同時要善用一些統計分析工具。

4、關注該領域頂級研發機構或公司的最新產品或成果

雖然我們只能看到成果，而無法瞭解實現，但是從中學習到的東西也會使你避免走很多彎路。

5、心態

目前，人工智慧的研究和實踐如火如荼，但是應該擺正心態，做好打持久戰的準備，短時期內很難將該領域的技術研究透徹，並完全推廣應用。一句話，此路任重而道遠，但卻是人類社會科技發展的必經階段。

學習人工智慧主要從基礎知識和專業知識兩個方面學習。

1.基礎學習

從上到下以次學習：

（1）高等數學；線性代數；機率論；計算機軟體（python或matlab,如果你做大資料建議學習JAVA，如果做影象相關學習C/C＋＋）；linux;

(2) 矩陣論；機率導論；最最佳化導論；機率觀點下的機器學習理論(統計推斷)。

(3)機器學習常用模型：線性迴歸分類模型、隨機森林、貝葉斯理論、神經網路等。

2.專業知識

由於從事的職業不同，學習的內容也不相同，下面舉兩個例子：

(1) 從事自然語言處理的需要了解語義分析、詞法分析等。

(2) 從事影象類的需要了解影象的基本組成元素，當影象在不同領域上使用時還需要學習該行業知識。

(3) 其它職業在此不詳述。