1樓：knnay
如果有神經網路的基礎，建議進一步學習卷積神經網路。
卷積神經網路是現在最通用的人工智慧演算法，除了基礎的LeNet外，還有各種變體，例如殘差網路、深度殘差收縮網路等。
LeNet
殘差網路的最大特色是跨層路徑，可以極大程度地降低模型引數的訓練難度。
殘差網路
殘差收縮網路
[1][2]則通過自適應軟閾值化，減輕了雜訊對模型效果的不良影響。
（面向強噪、高冗餘資料的）深度殘差收縮網路
2樓：sake九離
對於選擇人工智慧專業的新生來說，要想未來有乙個更好的學習體驗，可以從以下幾個方面做好準備：
第一：程式設計知識。當前學習人工智慧知識可以從程式語言開始，目前Python語言在人工智慧領域的應用比較多，而且Python語言本身也比較容易學習，完全可以通過自學來入門。
學習Python語言一定要多動手做實驗，邊用邊學會有乙個比較好的學習效果。
第二：資料處理知識。人工智慧本身有三大基礎，涉及到資料、演算法和算力，所以掌握資料處理知識對於學習人工智慧技術還是比較重要的。
資料處理知識涉及到資料的採集、整理和分析三大部分，在學習資料處理知識的過程中，也會學習到一些大資料相關的知識。
第三：機器學習知識。當前人工智慧有六個大的研究領域，初學者可以從機器學習開始學起，學習機器學習涉及到演算法設計、演算法訓練、演算法驗證和演算法應用等一系列步驟，這個過程也會逐漸培養初學者對於機器學習的認知能力。
3樓：Dagis
如果沒有程式設計基礎，建議學個基礎python線性代數基礎，統計學基礎
實踐是最好的老師。當你有了以上基礎後，可以找些小題目自己做一下，比如說最簡單的歸類問題。完成乙個小專案後，會有對這個領域更直觀的認識，對該學什麼和難度也有個數。
當然對自己的定位也很重要，如果是喜歡搞research，那數學基礎要打好。如果是對AI工程更感興趣，那要打好程式設計基礎，以及快速學習使用類庫。
4樓：藍葉
人工智慧的入門學習需要具備以下知識結構：
第一：程式語言。程式語言是學習人工智慧的基礎內容之一，掌握了程式語言才能完成一系列具體的實驗。
推薦學習Python語言，一方面原因是Python語言簡單易學，實驗環境也易於搭建，另一方面原因是Python語言有豐富的庫支援。目前Python語言在人工智慧領域有廣泛的應用，包括機器學習、自然語言處理和計算機視覺等方向。
第二：演算法設計基礎。目前人工智慧的研究內容集中在六個大的方向上，分別是自然語言處理、知識表示、自動推理、機器學習、計算機視覺和機械人學，這些內容都有乙個重要的基礎就是演算法設計，可以說演算法設計是研究人工智慧的關鍵所在。
學習演算法設計可以從基礎演算法開始，包括遞迴、概率分析和隨機演算法、堆排序、快速排序、線性時間排序、二叉樹搜尋、圖演算法等內容。
第三：人工智慧基礎。人工智慧基礎內容包括人工智慧發展史、智慧型體、問題求解、推理與規劃、不確定知識與推理、機器學習、感知與行動等幾個大的組成部分。
5樓：大可奇
想掌握一下數理基礎，計算機基礎，然後從實踐中學習。
給出乙個list吧：
基本的數學知識，函式，倒數，求導，求22，極值，最值···
線性代數
1、標量
2、向量
3、矩陣
4、張量
5、範數
6、特徵分解
7、奇異值分解（Singular Value Decomposition，SVD）
8、幾種常用的距離
1）曼哈頓距離
2）歐氏距離
3）夾角余弦
4）漢明距離
5）相對熵 (Kullback–Leibler divergence)
概率論與數理統計
1、一切都是概率
2、隨機變數
3、概率分布
4、條件概率
5、貝葉斯公式
6、期望
7、方差
8、協方差
9、常見分布函式
1）0-1分布 2）幾何分布 3）二項分布
4）高斯分布 5）指數分布 6）泊松分布
10、Lagrange乘子法
利用拉格朗日對偶性將原問題轉化為對偶問題。
11、最大似然估計
求極大似然函式估計值的一般步驟：
1）寫出似然函式；
2）對似然函式取對數；
3）兩邊同時求導數；
4）令導數為0解出似然方程。
優化理論（機器學習人工智慧問題最後都可以導為乙個優化問題）
1、最優化理論
線性規劃
2、最優化問題的數學描述
目標函式：f(x)為目標函式；
約束條件：等式約束，不等式約束，
3、凸集與凸集分離定理
1）凸集
2）超平面和半空間
3）凸集分離定理
4）凸函式
4、梯度下降演算法
5、隨機梯度下降演算法
6、牛頓法
7、阻尼牛頓法
8、擬牛頓法
資訊理論與熵
「熵」在機器學習中比如決策樹模型ID3，C4.5中是利用資訊增益來劃分特徵而生成一顆決策樹的，而資訊增益就是基於這裡所說的熵。
1、熵2、聯合熵
3、條件熵
4、相對熵
相對熵又稱互熵、交叉熵、KL散度、資訊增益，是描述兩個概率分布P和Q差異的一種方法，記為D(P||Q)。
相對熵又稱KL散度( Kullback–Leibler divergence) 。
4-5、互資訊
4-6、最大熵模型
有了數理知識還不夠，還得起碼稍微懂點程式設計，尤其是Python。
Python for Research Edx
HarvardX （有一定的Python基礎，0基礎的話先搞乙個任何的中文網課即可）
Machine Learning Coursera
Deep Learning Coursera Deep AI (Certificate program)（有了ML的背景知識就可以上DL了，這個證書專案還是有一定認可度的）
Deep Learning Edx IBM (Certificate program，同上)
Deep Reinforcement Learning Deep Mind（如果對強化學習有一定的情懷可以上DRL了）
在Deep Learning學習階段就可以上手專案了，如果沒有專案那就打比賽Kaggle，天池，都可以。最開始可以參考一些已經結束的比賽，看大牛們分享的Kernel，然後就可以真正參賽了，長久堅持下去必有段位提公升。
過來者的經驗之談：早點上手真專案，如作專案（打比賽）的過程中學習 ，效率和學習成就感都是最優的！
6樓：把矜持燒死
一、Python基礎
二、數學基礎，其中包含微積分基礎、線性代數以及概率統計三、各種框架，如Tensorflow等四、深度學習，其中包含機器學習基礎、深度學習基礎、卷積神經網路、迴圈神經網路、生成式對抗神經網路以及深度強化學習。
五、商業專案實戰，如MTCNN+CENTER LOSS 人臉偵測和人臉識別、YOLO V2 多目標多種類偵測、GLGAN 影象缺失部分補齊以及語言喚醒等。
若你能夠學習並且掌握上面的這些內容，擁有過硬的人工智慧技術，找到乙份AI工作還是挺容易的。
7樓：很是愛你
新生一般自學，或者培訓機構，或者到企業內部實戰自學一般有一定的難度，培訓的話我就跟你這麼說，大部分做人工智慧培訓的都是掛羊頭賣狗肉
說是人工智慧，其實就讓你學個python
而且人工智慧你別指望在教室裡面紙上談兵就能學到，要學必須要到企業內部建議你可以找個大型企業內部鍛鍊
像一些大型企業，比如深蘭科技和上交大就合作有人才培養，就是直接在深蘭科技內部學習的，好像叫交大人工智慧中心
還有像曠視寒武紀科大訊飛都有和大學合作人才培養自己搜搜比較比較吧
8樓：人工智慧-AI黃
學習人工智慧，只要你堅持努力不放棄，沒什麼太大阻礙。
言歸正傳，人工智慧該怎麼學呢？
首先，學好高數，高等數學真的是學習人工智慧的基礎，數學不好對於你以後人工智慧的研究真的阻礙很大，高數中函式，極限，梯度，極值，線性代數，概率統計，凸函式等等都要很好的掌握，
其次就是程式語言，目前以Python為主。
然後就是一些人工智慧本身的理論了，不管是機器學習還是深度學習，這些本身的理論你都要清楚，我這裡舉一些深度學習的部分理論，（就是最近很火的阿法狗的理論基礎）MLP模型，CNN卷積神經網路，RNN迴圈神經網路，GAN生成式對抗神經網路，Pytorch等等
最後就是建議你考個研，因為這行也是比較高的學歷門檻的，研究生畢業對你未來找工作還是好點。
我研究的不是很深入，也就這樣吧。你可以加我好友，一起學習
AI人工智慧如何學習？
永無止境 可以先挑選一些簡單實用的人工智慧演算法，進行學習。例如，卷積神經網路就是乙個不錯的選擇，在影象 語音 文字 振動等資料上均取得了不錯的效果。在其基礎上，還衍生出了一系列新的方法，例如殘差網路 深度殘差收縮網路等。卷積神經網路 殘差網路 深度殘差收縮網路 lili 首先，興趣很重要，人工智慧...
AI人工智慧是真的智慧型嗎？
leafshadow 人工智慧可以看做求集合最優解，針對於沒見過，不懂的套路，現有的人工智慧演算法基本上不能處理，這個是為什麼基於深度學習人工智慧需要大量的樣本，因為只有樣本足夠多，多到能包含所有的情況，那麼其表現才會好！目前的人工智慧不具備人的理解遷移能力 BK 201 你要說現在做的 比方說谷歌...
強人工智慧AI 顯然不能創造比他更強的AI，所以強人工智慧不可能實現！邏輯上有問題麼？
數學 都不夠嚴謹，最大的假設前提是外星人必須存在，而且製造出了強智慧型。邏輯上推理。樓主的證明有非常多不嚴謹的地方。第一假設前提，剛剛說了。假設有乙個智慧型極限存在，並且它必須是我們肉眼可見的。智慧型極限體必須存在。並且強智慧型必須擁有造出更高智慧型的能力，也必須有興趣將自已的智慧型等級提高到極限。...