想學習人工智能AI專業(yè)，需要哪些數(shù)學基礎？
入門人工智能，數(shù)學是繞不過去的門檻。對于當下大部分想轉行人工智能的程序員或者其他行業(yè)從業(yè)人員來講，沒有任何一個時代，像今天這樣感覺數(shù)學如此重要，想學習人工智能AI專業(yè)，需要哪些數(shù)學基礎？
沒有找到相關結果
已邀請:
Design By
3 個回復
李通靈
贊同來自:
人工智能對從業(yè)人員的素質要求很高，數(shù)學水平和編程水平是兩個必須逾越的坎，很多大學在跟風開設這個專業(yè)，但卻師資、設備等都還跟不上。如果你真心想要在這行有大發(fā)展，良好的基礎是必須的，以下是人工智能專業(yè)課程：
------------------------------------
人工智能專業(yè)學習課程（不限于以下課程）：
（1）計算機科學知識：數(shù)據(jù)結構和算法、Linux操作系統(tǒng)、計算機組成原理、計算機網(wǎng)絡通信技術、云計算基礎、數(shù)據(jù)庫等；（大一大二大三課程）
（2）基礎數(shù)學：高等數(shù)學、線性代數(shù)、概率論、運籌學、凸優(yōu)化等；（大一大二課程）
（3）至少一門編程語言：Python、C++或Java等（大二、大三課程）
（4）人工智能有以下核心科目（大四或研究生課程）：
人工智能AI基礎
智能計算平臺應用開發(fā)
機器學習與機器學習框架Sk-learn
深度學習框架Tensorflow或PyTorch或華為MindSpore深度學習與神經(jīng)網(wǎng)絡
AI人工智能一般分成以下4個方向：
1、AI方向-數(shù)據(jù)智能（大數(shù)據(jù)挖掘）
2、AI方向-計算機視覺
3、AI方向-自然語言處理
4、AI方向-自動駕駛
------------------------------------
但是，由于目前很多傻瓜化的工具出現(xiàn)，在大部分的業(yè)務場景下只需要一些很簡單的代碼就可以搞定。
王巧珍
贊同來自:
?
但是，由于目前很多傻瓜化的工具出現(xiàn)，在大部分的業(yè)務場景下只需要一些很簡單的代碼就可以搞定。
?
最常見的就是python上的各種工具包，比如機器學習框架之sklearn，獲取數(shù)據(jù) -> 數(shù)據(jù)預處理 -> 訓練建模 -> 模型評估 -> 預測,分類，還有就是最近很火的TensorFlow。
?
如果你確實在理論基礎方面實在有困難，多熟練掌握一些實用工具也能在市面上也能找到不錯的工作。
王巧珍
贊同來自:
第2節(jié)python環(huán)境準備
第3節(jié)多版本anaconda共存安裝方法
第4節(jié)1.python計算基礎.3.numpy速覽
第5節(jié)1.python計算基礎.4.ndarray詳解
第6節(jié)1.python計算基礎.5.創(chuàng)建ndarray對象
第7節(jié)1.python計算基礎.6.ndarray的文件讀寫
第8節(jié)1.python計算基礎.7.數(shù)組的拆分
第9節(jié)1.python計算基礎.8.數(shù)組的合并操作
第10節(jié)1.python計算基礎.9.如何訪問數(shù)組元素
第11節(jié)1.python計算基礎.10.用布爾下標訪問數(shù)組元素
第12節(jié)1.python計算基礎.11.整數(shù)列表訪問數(shù)組元素
第13節(jié)1.python計算基礎.12.ufunc和broadcast
第14節(jié)1.python計算基礎.13.ufunc案例實戰(zhàn)—knn分類器
第15節(jié)1.python計算基礎.13.認識矩陣
第16節(jié)1.python計算基礎.14.矩陣的特點
第17節(jié)1.python計算基礎.15.numpy的線性代數(shù)庫
第18節(jié)2.實用線性代數(shù).1.認識向量及其四則運算
第19節(jié)2.實用線性代數(shù).2.相似度和距離的計算
第20節(jié)2.實用線性代數(shù).3.什么是矩陣
第21節(jié)2.實用線性代數(shù).4.什么是矩陣的行列式
第22節(jié)2.實用線性代數(shù).5.矩陣的四則運算
第23節(jié)2.實用線性代數(shù).6.什么是子空間和基
第24節(jié)2.實用線性代數(shù).7.什么是線性變換以及和矩陣的關系
第25節(jié)2.實用線性代數(shù).8.什么是相似矩陣和特征分解
第26節(jié)2.實用線性代數(shù).9.方陣的正交分解
第27節(jié)2.實用線性代數(shù).10.搞定PCA
第28節(jié)2.實用線性代數(shù).11.搞定SVD分解
第29節(jié)2.實用線性代數(shù).12.Python實戰(zhàn)PCA
第30節(jié)2.實用線性代數(shù).13.Python實戰(zhàn)SVD分解
第31節(jié)3.概率論和統(tǒng)計.1.概率論的基本概念
第32節(jié)3.概率論和統(tǒng)計.2.概率論的基本概念2
第33節(jié)3.概率論和統(tǒng)計.3.典型的分布和它們的數(shù)字特征
第34節(jié)3.概率論和統(tǒng)計.4.隨機向量
第35節(jié)3.概率論和統(tǒng)計.5.協(xié)方差和PCA
第36節(jié)3.概率論和統(tǒng)計.6.Python實戰(zhàn)生成常見的隨機變量
第37節(jié)3.概率論和統(tǒng)計.7.樸素貝葉斯和垃圾郵件分類
第38節(jié)3.概率論和統(tǒng)計.8.Python垃圾郵件分類代碼詳解
第39節(jié)3.概率論和統(tǒng)計.9.統(tǒng)計基礎
第40節(jié)3.概率論和統(tǒng)計.10.數(shù)據(jù)的描述統(tǒng)計
第41節(jié)3.概率論和統(tǒng)計.11.極大似然估計
第42節(jié)3.概率論和統(tǒng)計.12.最大后驗概率
第43節(jié)3.概率論和統(tǒng)計.13.什么是假設檢驗
第44節(jié)3.概率論和統(tǒng)計.14.假設檢驗怎么做
第45節(jié)3.概率論和統(tǒng)計.15.假設檢驗結果怎么解讀
第46節(jié)3.概率論和統(tǒng)計.16.假設檢驗為什么可行
第47節(jié)3.概率論和統(tǒng)計.17.什么是方差分析
第48節(jié)3.概率論和統(tǒng)計.18.方差分析實戰(zhàn)
第49節(jié)4.python可視化數(shù)據(jù)分析實戰(zhàn).1
第50節(jié)4.python可視化數(shù)據(jù)分析實戰(zhàn).2
第51節(jié)4.python可視化數(shù)據(jù)分析實戰(zhàn).3
第52節(jié)4.python可視化數(shù)據(jù)分析實戰(zhàn).4
第53節(jié)4.python可視化數(shù)據(jù)分析實戰(zhàn).5
第54節(jié)4.python可視化數(shù)據(jù)分析實戰(zhàn).6
第55節(jié)4.python可視化數(shù)據(jù)分析實戰(zhàn).7
第56節(jié)4.python可視化數(shù)據(jù)分析實戰(zhàn).8
第57節(jié)5.凸優(yōu)化.1.高數(shù)重點內(nèi)容串講
第58節(jié)5.凸優(yōu)化.2.梯度和導數(shù)
第59節(jié)5.凸優(yōu)化.3.導數(shù)和極值的關系以及泰勒展開
第60節(jié)5.凸優(yōu)化.4.梯度下降算法
第61節(jié)5.凸優(yōu)化.5.梯度下降算法的各種變形（牛頓法和擬牛頓法動量法）
第62節(jié)5.凸優(yōu)化.6.人工智能中常見損失函數(shù)的手工推導
第63節(jié)5.凸優(yōu)化.7.sigmoid函數(shù)及其梯度的手工推導
第64節(jié)5.凸優(yōu)化.8.logloss函數(shù)及其梯度的手工推導(1)
第65節(jié)5.凸優(yōu)化.9.spark中使用的梯度推導
第66節(jié)5.凸優(yōu)化.11.凸集的概念
第67節(jié)5.凸優(yōu)化.12.凸函數(shù)的概念
第68節(jié)5.凸優(yōu)化.13.保凸運算是個什么鬼
第69節(jié)5.凸優(yōu)化.14.正式認識凸優(yōu)化問題
第70節(jié)5.凸優(yōu)化.15.對偶函數(shù)和對偶理論
第71節(jié)5.凸優(yōu)化.16.強對偶條件和kkt條件
第72節(jié)5.凸優(yōu)化.17.支持向量機SVM的幾何解釋
第73節(jié)5.凸優(yōu)化.18.支持向量機的標準形式
第74節(jié)5.凸優(yōu)化.19.支持向量機的kkt條件和最終解決
第75節(jié)5.凸優(yōu)化.20.支持向量機的核技巧和線性不可分問題