人工智能学习基础有什么？

说到人工智能，这些方面的知识肯定都有涉及，包括数学、机器学习、人工神经网络、深度学习等。对于这些知识的了解，我会推荐相关的书，同时做一些说明。

推荐之前，说下自己的看法。我觉得搞技术都有两个方向，一个是基础研究，另一个就是工程应用，人工智能也是如此，后一种对于前一种相对来说要简单一些，但是不管是哪个方向的，对相关基础都了解是必要的。

废话完了，上干货。

------

数学基础

线性代数

这本书由浅入深，介绍了向量等基础概念，同时配有很多例子，对线性代数中基础的理解有很大帮助。

概率论

这本书同样配有大量例子，相对于同类书籍来说，也更加好懂一些。

数理统计

这本书是陈希孺院士写的，这本书介绍了统计的基础概念，提醒我们用统计的观念去看这个世界的事物，学会用统计的知识分析这些事物。

最优化理论

这本书同样重在讲实际中的应用，很多机器学习的方法也都出自这本书。

信息论

这本书干货很多，讲明白了信息论中的各个基本概念，但是要有一定的数学基础，看起来才比较顺畅。

机器学习

这是一本导论，可以从比较高的地方来看这本书，对机器学习有个全面的认识。本书中讲了机器学习中的大部分方法的思想、好处以及坏处，同样，给出了很多好懂的例子供读者理解。

人工神经网络

《Machine Learning: An Algorithmic Perspective》。这本书对感知器、自组织映射等常见的神经网络算法都有专门的介绍，介绍的时候，作者倾向于对算法原理的比较直观的解释，对神经网络的初学者来说有一定的好处，能促进对神经网络的理解。

深度学习

这本书出版比较早，基本上讲明白了深度学习的发展，书中主要介绍了一些早起的模型，所以说，这本书对初学者也是一个不错的选择。

------

你如果要学习人工智能，上面的相关知识早晚会碰到。我这里列举出来的都是相对来说对初学者友好的。当然，不是要你全部看完了再去使用，而是要边看边实践，这样才能加深你对人工智能的理解。

学习的时候一定要带有目标性，不然的话，你可能在看基础的时候就蒙圈了。

------

整理不易，望点赞支持一下，喜欢的朋友也可以点击关注。

数学基础:微积分，线性代数，概率与统计，再加一个凸优化。这几样不通，机器学习算法原理你都看不懂，只能浮在表面上深入不了。

编程基础:python。python几乎是现在机器学习框架的标配语言。python里的一些库如numpy,pandas,scikit-learn是必学的。机器学习不光是理论，要解决实际问题必须有很好的动手能力。

首先，你是对此感兴趣，第二，对编程感兴趣，第三，良好的数学基础，至少概率论与数理统计较好，不要以为这是一条简单的路，其实没有其他人想的那么简单，永远不要想着以后调调参数混混日子，学好编程！！！动手能力，克服困难的决心！

人工智能（Artificial Intelligence），英文缩写为AI。 被认为是二十一世纪三大尖端技术之一，其他两个技术是基因工程和纳米科学，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它的目的是了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

广义的说，人工智能包含诸多不同的方法，其主旨是让程序像一个智能体一样解决问题。机器学习是实现人工智能的一种方法，它不完全依靠预先设计，而是从数据中进行总结，达到模拟记忆、推理的作用。包括诸如支持向量机(SVM)、各类基于决策树的算法(包括Boosting、Bagging、Random Forest等)，各类基于人工神经网络的算法(例如简单网络及深度网络等)，以及多方法的集成等。

需要必备的知识有: 概率论、数理统计、矩阵论、图论、随机过程、最优化、神经网络、贝叶斯理论、支持向量机、粗糙集、经典逻辑、非经典逻辑、认知心理学，同时也要学习高等数学微积分、线性代数，另外编程工具，例如：matlab，spss，C++或Java也必不可少。

线性代数：如何将研究对象形式化？

概率论：如何描述统计规律？

数理统计：如何以小见大？

最优化理论： 如何找到最优解？

信息论：如何定量度量不确定性？

形式逻辑：如何实现抽象推理？

人工智能（Artificial Intelligence），英文缩写为AI。 被认为是二十一世纪三大尖端技术之一，其他两个技术是基因工程和纳米科学，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它的目的是了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

广义的说，人工智能包含诸多不同的方法，其主旨是让程序像一个智能体一样解决问题。机器学习是实现人工智能的一种方法，它不完全依靠预先设计，而是从数据中进行总结，达到模拟记忆、推理的作用。包括诸如支持向量机(SVM)、各类基于决策树的算法(包括Boosting、Bagging、Random Forest等)，各类基于人工神经网络的算法(例如简单网络及深度网络等)，以及多方法的集成等。

需要必备的知识有: 概率论、数理统计、矩阵论、图论、随机过程、最优化、神经网络、贝叶斯理论、支持向量机、粗糙集、经典逻辑、非经典逻辑、认知心理学，同时也要学习高等数学微积分、线性代数，另外编程工具，例如：matlab，spss，C++或Java也必不可少。

线性代数：如何将研究对象形式化？

概率论：如何描述统计规律？

数理统计：如何以小见大？

最优化理论： 如何找到最优解？

信息论：如何定量度量不确定性？

形式逻辑：如何实现抽象推理？

简单地讲，人工智能就是图像处理，数据处理，语言处理等多技术融合，在我们生活中经常可见。比如，人脸扫码付款，就是运用人工智能图像处理技术，机器人语言识别，常见的案例为第1个击败人类职业围棋选手的狗，包括在超市购物的扫码付款，都属于人工智能领域。那么人工智能需要哪些知识？

1.需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。

2.需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多时候都需要时间的积累。

3.需要掌握至少一门编程语言，毕竟算法的实现还是要编程的；如果深入到硬件，一些电类基础课必不可少。

要学人工智能需要很多很多学科知识的积累，如果要学一门语言进入这个行业，推荐python，这是一个不用十行代码就能搭建出神经网络的语言，当然，入门简单，精通难，还有matlab也可以实现，而且平时的计算当中也可以用到。其实一个人工智能系统的分工很多，并不是一门单纯的语言就能解决的。当然了，如果你只是感兴趣，只是想要了解一下，那么学一门python也足够了。

既然你问这话了，看来你对这方面一点都不了解，所以首先你需要思考的是你为什么想学这，是感兴趣，还是仅看到了这方面工资高，如果你没有极大的兴趣和激情，还是别学了，学起来也费劲，就算勉强学了点，而不一定能够得到你想要的！

基础这东西肯定是要有的，但我觉得无论什么技术的基础都是从无到有的，难道你比别人上幼儿园晚了两年就不读书了吗？

零基础的可以先学下相关的基础知识，然后边学边丰富自己的基础知识，不用觉得没基础学起来慢，这只是你比别人学得晚还没别人努力。毕竟别人从大学开始到硕士、博士研究了这么多年，要是不如你刚开始自学的那还不如一头撞死算了。

其实，人工智能在法律方面的应用的解决方案已经有了，其实这就是人工智能在NLP方面的应用。在NLP的处理上面，达观的技术还是处于业内领先，所以这里我就主要结合达观提供在法律方面的解决方案来说明。

达观法律解决方案链接：

http://www.datagrand.com/law-solutions.html

一、实现法律咨询内容自动归类

通过自然语言处理技术，可以实现根据法律咨询者的问题自动判断咨询者咨询的法律内容属于哪一种类型的法律问题，是婚姻家庭纠纷还是劳动合同纠纷亦或是其它类别的法律问题，也按照发生地点和所属行业进行自动划分，具体划分标准可根据企业需求进行改变。通过识别咨询者的问题类别，来自动推送相关的法律条文，来提高法律咨询的工作效率。

二、自动匹配相似案例预判案件情况

通过大量法律行业的案件，基于自然语言处理技术来自动寻找出于咨询案件最相似的案例，通过分析以往案例的裁判结果，来给出当下案件的预判情况，帮助当事人更加理性地看待诉讼。

三、提高法律文书的检索效率

利用自然语言处理技术对案件信息的解构和标签化处理，实现精准的关键词匹配，并判断裁判文书之间的相似程度，自动推送相关案件和法律法规，减少对相似法律文书的检索时间，提高企业的案件分析效率。

以上的三条是目前达观在法律的方面所提供的解决方案，可以通过上面的链接去申请试用。

了解更多干货，可以上微信搜索八斗问答，

看到很多人都回答了数学基础知识，而且很清楚很详细，所以我在这里除了说一下数学以外，人工智能还需要具备的知识基础和一些介绍

需要数学基础有：

高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。数学基础知识蕴含着处理智能问题的基本思想与方法，也是理解复杂算法的必备要素。今天的种种人工智能技术归根到底都建立在数学模型之上，要了解人工智能，首先要掌握必备的数学基础知识。线性代数将研究对象形式化，概率论描述统计规律。

除此之外还需要一些其他的知识

1，需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累。

2，需要掌握至少一门编程语言，比如Python语言。毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少。

拓展资料：

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。

下面以图表的形式详细说明

本人从事IT行业，也正在进军人工智能领域，欢迎关注，共同谈论，知无不言

高等数学 线性代数 复变函数等等

并不是必备课程

只需要学好离散数学

第一点需要有一定的兴趣，有兴趣才会去研究

第二点有方向，如果你没有编程经验最好去系统培训一下，如果有经验也需要找一套系统的教程，入门之后就好办了。

第三点勤快编程这一行，必须是语言多练习的，熟能生巧，不练习光听或者光看都是没用的，可能你听懂了，真的动手的时候就发现脑子一片空白。

门槛一、数学基础我们应该了解过，无论对于大数据还是对于人工智能而言，其实核心就是数据，通过整理数据、分析数据来实现的，所以数学成为了人工智能入门的必修课程!数学技术知识可以分为三大学科来学习：1、线性代数，非常重要，模型计算全靠它~一定要复习扎实，如果平常不用可能忘的比较多;2、高数+概率，这俩只要掌握基础就行了，比如积分和求导、各种分布、参数估计等等。提到概率与数理统计的重要性，因为cs229中几乎所有算法的推演都是从参数估计及其在概率模型中的意义起手的，参数的更新规则具有概率上的可解释性。对于算法的设计和改进工作，概统是核心课程，没有之一。当拿到现成的算法时，仅需要概率基础知识就能看懂，然后需要比较多的线代知识才能让模型高效的跑起来。3、统计学相关基础回归分析(线性回归、L1/L2正则、PCA/LDA降维)聚类分析(K-Means)分布(正态分布、t分布、密度函数)指标(协方差、ROC曲线、AUC、变异系数、F1-Score)显著性检验(t检验、z检验、卡方检验)A/B测试门槛二、英语水平我这里说的英语，不是说的是英语四六级，我们都知道计算机起源于国外，很多有价值的文献都是来自国外，所以想要在人工智能方向有所成就，还是要读一些外文文献的，所以要达到能够读懂外文文献的英语水平。门槛三、编程技术首先作为一个普通程序员，C++ / Java / Python 这样的语言技能栈应该是必不可少的，其中 Python 需要重点关注爬虫、数值计算、数据可视化方面的应用。人工智能入门的三道门槛，都是一些必备的基础知识，所以不要嫌麻烦，打好基础很关键!