人工智能需要哪些知识_人工智能需要学什么_如何自学人工智能

　　什么是人工智能

　　人工智能（ArtificialIntelligence），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。［1］2017年12月，人工智能入选“2017年度中国媒体十大流行语”。

　　人工智能科学介绍

　　实际应用

　　机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。

　　学科范畴

　　人工智能是一门边缘学科，属于自然科学和社会科学的交叉。

　　涉及学科

　　哲学和认知科学，数学，神经生理学，心理学，计算机科学，信息论，控制论，不定性论

　　研究范畴

　　自然语言处理，知识表现，智能搜索，推理，规划，机器学习，知识获取，组合调度问题，感知问题，模式识别，逻辑程序设计软计算，不精确和不确定的管理，人工生命，神经网络，复杂系统，遗传算法

　　意识和人工智能

　　人工智能就其本质而言，是对人的思维的信息过程的模拟。

　　对于人的思维模拟可以从两条道路进行，一是结构模拟，仿照人脑的结构机制，制造出“类人脑”的机器；二是功能模拟，暂时撇开人脑的内部结构，而从其功能过程进行模拟。现代电子计算机的产生便是对人脑思维功能的模拟，是对人脑思维的信息过程的模拟。

　　弱人工智能如今不断地迅猛发展，尤其是2008年经济危机后，美日欧希望借机器人等实现再工业化，工业机器人以比以往任何时候更快的速度发展，更加带动了弱人工智能和相关领域产业的不断突破，很多必须用人来做的工作如今已经能用机器人实现。

　　而强人工智能则暂时处于瓶颈，还需要科学家们和人类的努力。

　　人工智能需要哪些知识

　　人工智能是一个综合学科，如楼上所说。而其本身又分为多个方面如神经网络、机器识别、机器视觉、机器人等。一个人想自学所有人工智能方面并不是很容易的一件事。对于你想知道人工智能在编程方面需要多深的要求。怎么说好呢无论C++还是汇编他都是一门语言主要会灵活运用。大多机器人仿真都用的混合编程模式，也就是运用多种编程软件及语言组合使用。之所以这样是为了弥补语言间的不足。prolog在逻辑演绎方面比突出。C++在硬件接口及windos衔接方面比较突出，MATLAB在数学模型计算方面比较突出。如果单学人工智能算法的话prolog足以，如果想开发机器仿真程序的话VC++MATLAB应该多学习点。对于你想买什么书学习。我只能对我看过的书给你介绍一下，你再自己酌量一下。

　　人工智能算法方面：《人工智能及其应用》第三版、人工智能与知识工程。这两本感觉买一本就可以了~第一本感觉能简单并且全面点。这类书其实很多可是。大多内容都是重复的所以买一到两本即可。

　　机器视觉算法方面：《机器视觉算法与应用》这本书讲的大多都是工业化生产中机器视觉应用。从内容来说并不是很简单，建议不要当入门教材来学习。

　　机器人方面：新版《机器人技术手册》日译的书，可能这是我当初在当当网里找到唯一一本比较全面实用的机器人方面的书。这本书由基础到应用以及一些机器人实际问题上讲述得很全面。强烈建议买一本。

　　从零开始学人工智能方法介绍

　　1、机器学习

　　有关机器学习领域的最佳介绍，请观看Coursera的AndrewNg机器学习课程。它解释了基本概念，并让你很好地理解最重要的算法。

　　有关ML算法的简要概述，查看这个TutsPlus课程“MachineLearningDistilled”。

　　“ProgrammingCollectiveIntelligence”这本书是一个很好的资源，可以学习ML算法在Python中的实际实现。它需要你通过许多实践项目，涵盖所有必要的基础。

　　这些不错的资源你可能也感兴趣：

　　PererNorvig的UdacityCourseonML（MLUdacity课程）

　　TomMitchell在卡梅隆大学教授的AnothercourseonML（另一门ML课程）

　　YouTube上的机器学习教程mathematicalmonk

　　2、深度学习

　　关于深度学习的最佳介绍，我遇到最好的是DeepLearningWithPython。它不会深入到困难的数学，也没有一个超长列表的先决条件，而是描述了一个简单的方法开始DL，解释如何快速开始构建并学习实践上的一切。它解释了最先进的工具（Keras，TensorFlow），并带你通过几个实际项目，解释如何在所有最好的DL应用程序中实现最先进的结果。

　　在Google上也有一个greatintroductoryDLcourse，还有SephenWelch的greatexplanationofneuralnetworks。

　　之后，为了更深入地了解，这里还有一些有趣的资源：

　　GeoffreyHinton的coursera课程“NeuralNetworksforMachineLearning”。这门课程会带你了解ANN的经典问题——MNIST字符识别的过程，并将深入解释一切。

　　MITDeepLearning（深度学习）一书。

　　UFLDLtutorialbyStanford（斯坦福的UFLDL教程）

　　deeplearning.net教程

　　MichaelNielsen的NeuralNetworksandDeepLearning（神经网络和深度学习）一书

　　SimonO.Haykin的NeuralNetworksandLearningMachines（神经网络和机器学习）一书

　　3、人工智能

　　“ArtificialIntelligence：AModernApproach（AIMA）”（人工智能：现代方法）是关于“守旧派”AI最好的一本书籍。这本书总体概述了人工智能领域，并解释了你需要了解的所有基本概念。

　　来自加州大学伯克利分校的ArtificialIntelligencecourse（人工智能课程）是一系列优秀的视频讲座，通过一种非常有趣的实践项目（训练AI玩Pacman游戏）来解释基本知识。我推荐在视频的同时可以一起阅读AIMA，因为它是基于这本书，并从不同的角度解释了很多类似的概念，使他们更容易理解。它的讲解相对较深，对初学者来说是非常不错的资源。

　　大脑如何工作

　　如果你对人工智能感兴趣，你可能很想知道人的大脑是怎么工作的，下面的几本书会通过直观有趣的方式来解释最好的现代理论。

　　JeffHawkins的OnIntelligence（有声读物）

　　Gödel，Escher，Bach

　　我建议通过这两本书入门，它们能很好地向你解释大脑工作的一般理论。

　　其他资源：

　　RayKurzweil的HowtoCreateaMind（如何创建一个头脑RayKurzweil）（有声读物）。

　　PrinciplesofNeuralScience（神经科学原理）是我能找到的最好的书，深入NS。它谈论的是核心科学，神经解剖等。非常有趣，但也很长–我还在读它。

　　4、教学

　　以下是你开始学习AI需要了解的非常基本的数学概念：

　　微积分学

　　KhanAcademyCalculusvideos（可汗学院微积分视频）

　　MITlecturesonMultivariableCalculus（MIT关于多变量微积分的讲座）

　　线性代数

　　KhanAcademyLinearAlgebravideos（可汗学院线性代数视频）

　　MITlinearalgebravideosbyGilbertStrang（GilbertStrang的MIT线性代数视频）

　　CodingtheMatrix （编码矩阵）–布朗大学线程代数CS课程

　　概率和统计

　　可汗学院Probability（概率）与Statistics（统计）视频

　　edxprobabilitycourse（edx概率课程）

　　5、计算机科学

　　要掌握AI，你要熟悉计算机科学和编程。

　　如果你刚刚开始，我建议阅读DiveIntoPython3（深入Python3）这本书，你在Python编程中所需要的大部分知识都会提到。

　　要更深入地了解计算机编程的本质–看这个经典的MITcourse（MIT课程）。这是一门关于lisp和计算机科学的基础的课程，基于CS-结构和计算机程序的解释中最有影响力的书之一。

　　推荐阅读：

　　学人工智能10本必看书_人工智能入门书籍推荐

　　美国人工智能大学排名_美国人工智能专业课程排名

　　中国人工智能实力大学综合排名_中国人工智能公司排名

　　人工智能属于什么专业_人工智能专业就业前景如何_人工智能专业就业方向