零基础学习人工智能需要多久,人工智能需要学习什么

学人工智能需要哪些基础？

人工智能近两年热度很高，很多大公司和高精尖人才都涌入这个领域，包括也提上了国家战略层面，所以大家都认为人工智能就是未来，那么这个技术驱动的产业是需要特别专业的高精尖人才的，事实上目前在人工智能领域在国内出现了人才断层，很多人才都是国外知名大学留学回来，最终的原因也就是从大学这块发生了脱节，在美国是有专门的人工智能相关专业，而在国内是凤毛麟角，不过对于还在大学的年轻人来说，学好一些基础的课程是能给学习人工智能打下很好的基础，所以想从事人工智能行业，下面这些课坚决不能翘，不然想补都很难。

《高等数学》通常认为，高等数学是由微积分学，较深入的代数学、几何学以及它们之间的交叉内容所形成的一门基础学科。主要内容包括：极限、微积分、空间解析几何与线性代数、级数、常微分方程。工科、理科研究生考试的基础科目。《离散数学》研究离散量的结构及其相互关系的数学学科，是现代数学的一个重要分支。离散的含义是指不同的连接在一起的元素，主要是研究基于离散量的结构和相互间的关系，其对象一般是有限个或可数个元素。

离散数学在各学科领域，特别在计算机科学与技术领域有着广泛的应用，同时离散数学也是计算机专业的许多专业课程，如程序设计语言、数据结构、操作系统、编译技术、人工智能、数据库、算法设计与分析、理论计算机科学基础等必不可少的先行课程。通过离散数学的学习，不但可以掌握处理离散结构的描述工具和方法，为后续课程的学习创造条件，而且可以提高抽象思维和严格的逻辑推理能力，为将来参与创新性的研究和开发工作打下坚实的基础。

《算法与数据结构》主要包含基本概念、简单数据结构（线性表、栈、队列）、复杂数据结构（树、图）和算法与数据结构应用（排序、查找、算法设计基础）四部分，详细介绍了常用数据结构和算法的基本概念及其不同的实现方法，对各种数据结构，讨论了在不同存储结构上实现线性和非线性结构的不同运算，并对算法设计的方法和技巧进行了介绍。

《数据库》对数据库和SQL语句的相关知识进行了深刻地阐明和分析，学习的重点是标准SQL语句的学习的掌握。常用数据库MySQL和Oracle9i的介绍和使用，以及一些特有数据库厂商非标准SQL语句的介绍。最后介绍了数据库设计的知识，设置这一章的目的不是为了培养一个数据库设计人员，而是介绍作为一个程序员所需要的数据库设计知识，例如：看懂ER图，使用数据库设计工具等，同时也为未来成长为一个数据库设计人员奠定基础。

本课程是这个课程体系的核心之一，为软件开发人员所需数据库知识的学习教材，而不是培训一个DBA（数据库管理员），更具体的说是为Web开发程序员所需数据库知识的学习教材。以上四门课是跨越数学和计算机的基础学科，虽然学的很枯燥，直接实用性也不大，但是如果未来想学习人工智能相关技术，这些基础如果不打好，很难补回来。

人工智能专业需要学习什么？

人工智能是计算机科学的一个分支，它的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。全面学习人工智能的知识比较多，涉及的面比较广，需要有高等数学、计算机及机器学习以等方面的知识。一、高等数学知识数学知识包括数据分析、概率、线性代数、矩阵、凸优化等。二、编程语言编程语言比较多，如C、C 、MATLAB、LISP、Prolog和Python等。

其中，重点要学好Python语言，Python是机器学习比较流行的语言，Python比较简单，能调用其它语言，发挥各语言优势。Python语言具有的优势：（1）具有清晰的Python语法结构。容易理解，即使不是编程人员也能理解程序的含义；（2）容易操作纯中文文件；（3）Python的科学工具可以与绘图工具Matplotlib协调工作；（4）使用广泛、存在大量的开发文档。

目前科学和金融领域Python语言得到了广泛应用。三、机器学习机器学习包括：回归算法、决策树、随机森林和提升算法；数据分析的Aprior算法和关联规则等。机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。机器学习的特征：（1）建立简单的机器学习模型，按照重要性对特征进行排列；（2）根据得到的特征排列，有针对的进行工程，提取特征；（3）重复上述过程，不断的优化自己的模型，找到关键的特征；（4）对模型的参数进行调参，最优化，得到最佳模型组合。

从事人工智能行业需要学什么？

主干课程1.认知与神经科学课程群具体课程：认知心理学、神经科学基础、人类的记忆与学习、语言与思维、计算神经工程2.人工智能伦理课程群具体课程：《人工智能、社会与人文》、《人工智能哲学基础与伦理》3.科学和工程课程群新一代人工智能的发展需要脑科学、神经科学、认知心理学、信息科学等相关学科的实验科学家和理论科学家的共同努力，寻找人工智能的突破点，同时必须要以严谨的态度进行科学研究，让人工智能学科走在正确、健康的发展道路上。

4.先进机器人学课程群具体课程：《先进机器人控制》、《认知机器人》、,《机器人规划与学习》、《仿生机器人》5.人工智能平台与工具课程群具体课程：《群体智能与自主系统》《无人驾驶技术与系统实现》《游戏设计与开发》《计算机图形学》《虚拟现实与增强现实》……6.人工智能核心课程群具体课程：《人工智能的现代方法I》《问题表达与求解》、《人工智能的现代方法II》《机器学习、自然语言处理、计算机视觉等》…… 。

学习人工智能需要学习那些知识？

机器学习入门指南（2021版）向大家分享我机器学习之路看过的一些书、教程、视频，还有学习经验和建议，希望能对大家的学习有所帮助。pdf版思维导图，后台回复：指南Python——书之前跟出版社合作，书柜里积攒了很多Python相关的书，这里推荐三本最有价值的吧。《流畅的Python》，很厚，比较全面，可以作为工具书常常翻看。

《 从入门到实践（第2版）》 非常全面，对新手还算友好，里面有很多的练习项目非常不错。《利用Python进行数据分析·第2版》 数据分析入门必读书，主要介绍了python 3个库numpy（数组），pandas（数据分析）和matplotlib（绘图）的学习。有开源版，就不用买了，下载链接及代码如下：https://github/iamseancheney/python_for_data_analysis_2nd_chinese_versionPython——教程学习Python最好的入门线上教程，首推Python官方文档https://docs.python.org/zh-cn/3/tutorial/index.html官方文档足够详细和系统，但是内容太庞大，学习来会有点吃力，我建议只看tutorial即可，就是上面的链接。

直接啃官方文档的教材，不如老师讲给你听来的效率高。廖雪峰的Python新手教程也是个不错的选择，每一节都有练习题，学习来更顺畅，对新手很友好。https://www.liaoxuefeng/wiki/1016959663602400机器学习最常用的库少不了Numpy Pandas Matplotlib这些库我觉得看官方文档就好了，不过英文不好的同学可能就不满意了，这里分别列一下这些库的官方文档和我觉得很不错的中文教程，提醒一下哈，官方文档只需要看我列出的链接即可。

Numpy官方文档：https://numpy.org/doc/stable/user/quickstart.html中文教程：https://www.numpy.org/user/quickstart.htmlPandas官方文档：https://pandas.pydata.org/docs/user_guide/10min.html中文教程：https://www.pypandas/docs/getting_started/10min.htmlMatplotlib官方文档：https://matplotlib.org/stable/tutorials/introductory/usage.html中文教程：https://www.matplotlib.org/tutorials/Python——视频实话实话，我没有完整的看过任何Python视频。

归根结底，Python入门很简单，看视频效率太低。传言B站的[小甲鱼]零基础入门学习Python不错，简单看了一眼，确实0基础。我们用Python是用来学机器学习的，喜欢看视频学习的同学可以看看，建议只看P1-P53即可。《零基础入门学习Python》：https://www.bilibili/video/av27789609机器学习——书市面上凡推荐机器学习的书，都少不了李航的《统计学习方法》和周志华的《机器学习》，我当初也是看了大佬推荐，在这两本书上耗费了极多的时间。

但这两本我觉得都很不适合入门，尤其是统计学习方法，简直就是上等武功秘籍，太过精炼，啃起来太吃力。对比起来周老师的《机器学习》相对好点，其中有些公式推导有点跳，Datawhale 出了一本开源的《机器学习公式详解》是个很好的补充。周世华的《机器学习》是必不可少的工具书，还是必读的，而且要反复阅读，不过建议在看过视频教程之后。

https://datawhalechina.github.io/pumpkin-book偏应用的书，只推荐一本，其他的都不要看！！！：《机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）》，入门可以先看前 9 章。市面上很少有书能够把机器学习在业务层面的应用介绍清楚，比如模型解释、模型上线，模型监控等等，没有看到特别详细的，有一本还算满意，就是知名度比较低：《机器学习：软件工程方法与实现。

《机器学习：软件工程方法与实现》现在无论是竞赛还是工业界，boost模型都应用十分广泛，分类、回归、排序，XGBoost都能搞。最后再介绍一本我认为的必读：《深入理解XGBoost：高效机器学习算法与进阶》，作者是XGBoost开源社区贡献者何龙。这本书以机器学习基础知识做铺垫，深入剖析了XGBoost的原理、分布式实现、模型优化、深度应用等。

机器学习——教程教程没有看到太好的，除了sklearn的文档，只推荐吴恩达、李宏毅、林轩田三位老师的视频课件。课件这里不单独列出来了，下载链接我放到思维导图里了。Sklearn官方文档：https://scikit-learn.org/stable/user_guide.html中文教程：https://sklearn.apachecn.org/机器学习——视频与Python不同，机器学习基础我觉得最好还是跟着视频学，因为初学机器学习算法，涉及很多公式推导，非常难理解，跟着视频学起来会轻松不少。

视频首推吴恩达的公开课，这是学习机器学习基础知识的最好的课程。英语不好的同学也不要担心，视频是有中文字幕的。https://www.bilibili/video/BV164411b7dx作为补充，时间充裕的同学可以看看台大李宏毅的机器学习公开课，特点是中文授课，比较轻松愉快。https://www.bilibili/video/BV1pE411g7Wi时间更充裕的也可以看看林轩田的视频课，只看基石部分即可。

https://www.bilibili/video/BV1Ft41197Dy机器学习——数学基础系统地学习机器学习所必须的数学知识数学基础这一块是个无底洞，不太建议大家耗费过多时间，用到了再补也不迟。也不建议大家看书，基础确实特别薄弱的同学，推荐一本：《机器学习的数学》，这本书特别全面的介绍了微积分、线性代数、概率统计、信息论、随机过程、图论等内容。

再强调一遍，此书仅适于基础特别薄弱的同学。我感觉机器学习中用到最多的应该是线代，喜欢看视频的可以看看李宏毅的机器学习中的线性代数：https://www.bilibili/video/BV1G7411f7BE/或者3blue1brown：线性代数的本质https://www.bilibili/video/BV1Ys411k7yQ其他数学基础相关的电子书，我也放到思维导图中了。

一些经验和建议1、我敢肯定很多初学者都是资料收集爱好者，越攒越多反而不知道从何开始。我强烈建议把资料都扔掉，以我的这一套为准，一以贯之的学下去。2、就像前面我提到的，很多东西先不要深究，不要在某些地方卡太久（比如数学部分，比如编程基础），先学下去，学完。了解大的框架之后，以后用到哪里，再回过来补也不迟。

3、机器学习的各种算法没必要样样精通，常用的比如LR、树模型、RF、XGBoost等等掌握好就不错了。4、我身边一些优秀的程序员、分析师、工程师都非常推崇“做中学，学中做”，无论是书本还是视频，看到一些好的方法和技巧，要立即自己实现一遍。看起来非常简单的东西，真真动手的时候才会发现自己的不足。快速学完上述内容就尽快开始实践吧，可以先复现天池或kaggle上优秀的notebook，然后就参与一些入门竞赛。

5、如果你已有工作，最好的还是在业务中寻找机器学习应用场景，然后尝试去开发一个适用的模型。不懂就搜索，学习。这是我所知最好的，最有价值的学习方法。6、输出也是特别好的学习方式，输出就是把新学到的知识用某种方式讲给别人听，做到让他们也能理解、学会。我比较喜欢写笔记（我常用的是微软的OneNote），然后把笔记整理成文章发到博客上。

学习人工智能都要了解哪些方面？

作为一名计算机专业的教育工作者，我来回答一下这个问题。首先，人工智能专业属于计算机大类专业之一，虽然是新兴专业，但是由于当前人工智能领域的发展前景比较广阔，同时一系列人工智能技术也进入到了落地应用的阶段，所以当前人工智能专业也是热点专业之一。人工智能专业有三个特点，其一是多学科交叉，涉及到计算机、数学、控制学、经济学、神经学、语言学等诸多学科，因此整体的知识量还是比较大的，其二是学习难度较大，人工智能本身的知识体系尚处在完善当中，很多领域还有待突破，其三是实践场景要求高。

基于这三个特点，要想在本科阶段有较好的学习效果，要有针对性的解决方案。针对于多学科交叉的情况，在大一期间一定要多做加法，尤其要重视编程语言的学习，基于编程语言来打开计算机技术大门，进而学习机器学习，而机器学习则被称为是打开人工智能技术大门的钥匙。其二是选择一个自己的主攻方向，围绕该主攻方向来制定学习和科研实践计划。

人工智能领域的方向非常多，大的方向就包括nlp、cv、机器学习、机器人学等，选择一个主攻方向会更容易形成突破。从目前的知识体系成熟度和落地应用情况来看，可以重点关注nlp、cv这两个方向。其三是要重视为自己营造一个较好的交流和实践场景，这对于学习效果有较大的影响，建议在大一、大二期间积极参加人工智能相关的课题组。

在选择课题组的时候，要考虑到自己的兴趣爱好、课题周期、实践资源等因素，从这个角度来看，学校的科研资源对于人工智能专业的同学有较大的影响。我从事教育、科研多年，目前在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。

自学人工智能需要学哪些专业知识？

这是一个非常好的问题，作为一名科技工作者，同时也是一名计算机专业的教育工作者，我来回答一下。首先，自学人工智能知识对于学习者的要求还是比较高的，一方面人工智能技术的知识量比较大，另一方面学习难度也相对比较大。对于初学者来说，可以根据自己的发展规划来制定学习路线，如果未来要从事行业领域内的人工智能技术开发，可以分别学习编程语言和人工智能平台知识，然后通过实践来提升开发能力。

从目前人工智能人才的培养方式来看，当前研究生教育依然是培养人工智能技术人才的主要渠道，但是随着人工智能平台的陆续开放，人工智能应用开发的技术门槛也有了较大幅度的下降，普通开发人员经过一个系统的学习过程（主要学习人工智能平台），也能够完成各种人工智能应用软件的开发。对于自学者来说，以人工智能平台为基础来学习人工智能知识是比较现实的选择，一方面学习难度相对比较低，另一方面对于实验环境的要求也相对比较简单。

在具体的学习过程中，需要学习以下两方面内容：第一：编程语言。编程语言可以从Python语言开始学起，目前Python语言在人工智能开发领域也有比较广泛的应用。在学习Python语言的过程中，还可以同时学习一下计算机基础知识，包括操作系统、数据库和计算机网络等。在条件允许的情况下，可以进一步学习一下机器学习知识，这会在一定程度上提升对于人工智能技术的认知能力。

第二：人工智能平台。人工智能平台的学习首先要选择一个开放的人工智能平台，目前选择计算机视觉平台和自然语言处理平台都可以，相关的案例也比较多。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。

人工智能是一定要学习python吗？还会用到哪些语言？

作为一个多年的从业者，我想说的是Python和人工智能是两个完全不同的概念，Python只是一种编程语言，而人工智能是一种科学方法，主要研究如何通过计算机实现类似人类智能的装置或者程序。Python作为一种计算机编程语言，可以作为实现人工智能的编程工具，但是它并不是唯一的选择。先来简单介绍下人工智能的实现方法，目前主要有两种流派。

一种是基于神经网络的机器学习，也就是近年来随着Google的阿尔法狗战胜世界围棋冠军而再次（之所以用再次，是因为它曾经也火爆过一段时间，后来遇到技术瓶颈又沉寂了）火爆起来的技术。Google为了方便人工智能的开发，开源了TensorFlow库，该库可以极大的方便人工神经网络的开发与试验，受到了广大研究者的青睐，而作为开发TensorFlow的编程语言——Python自然也就成为研究者必学的工具。

此外，还有FaceBook的开源项目PyTorch也是一个很优秀的机器学习库，同样也使用Python作为开发语言，这就又给Python增加了许多使用者。其实，还有很多语言也能进行人工智能开发，比如Matlab和C/C 也是一些广泛使用的语言，只不过编程过程会稍微复杂一些罢了。还有一种人工智能的实现方法是基于演绎逻辑的推理方法，曾经火爆一时的专家系统就是基于这种技术，只是因为近几年深度学习如日中天，掩盖了它的光辉，这种模式的人工智能实现方法使用的编程语言则是Lisp和Prolog。

此外，还要提醒一下题注，想要学习人工智能，只会编程是远远不够的，它需要扎实的数学基础，从线性代数、概率过程、到微积分，甚至还有张量分析等，有了这些基础知识，才能看懂并改进各种学习算法。至于你的算法用什么语言实现，则相对要简单很多，当然Python就是一个不错的选项，比起其它语言更简洁，更易学，关键是有强大的库支持。