1樓：蒜葵
Artificial Intelligence > Machine Learning > Neural Network
神經網路只是乙個酷炫的子集，知道很好，跟隨潮流，完全不懂也一點問題沒有，只要自己的領域紮實。
2樓：Sciarter
先給出建議：可以不深究但是需要了解作為工具使用。
我們需要知道神經網路不是一直像現在這麼火的，之前還經歷過以專家系統為代表的符號主義快速發展，基於統計的機器學習時代，神經網路的熱度只是在近十年隨著硬體發展開始爆火的。
所以神經網路只是冰山一角，實現人工智慧的途徑有很多，但是它們又是相輔相成的，建議至少需要了解作為工具使用。
3樓：葉子盛
可以的，人工智慧包含很多領域。雖然目前很多人工智慧的應用（CV，NLP等）的最好表現是基於神經網路，但也有一些傳統方向是完全不需要的，如純離散優化等。
感興趣可以往運籌學方向發展，相對來說更偏應用數學。
4樓：gwave
人工智慧範圍廣泛，不是都必須神經網路，例如第一二波人工智慧主要是符號主義，以邏輯推理為主。其他如因果推理，知識圖譜，遺傳演算法，各種規劃問題，貝葉斯主義，統計學習，整合演算法，強化學習（不含DQN，A2C等），集群智慧型（Swarm Intelligence），概率圖模型（PGM）等等都不直接與神經網路相關，但神經網路應用廣泛，也可以作為子模組應用於這些領域。
自學人工智慧，想從深度學習神經網路開始，然後在機器學習，怎麼樣
大江東去 每個人的知識體系都不一樣，所以從深度學習 神經網路開始學習，未嘗不可。基礎的神經網路有 卷積神經網路 卷積神經網路的一種經典結構如下圖所示，主要包括卷積層 降取樣層和全連線層。卷積神經網路 深度殘差網路 深度殘差網路在普通卷積神經網路中加入了跨層恒等連線。深度殘差網路 深度殘差收縮網路 深...
有哪些將化學與人工智慧 深度學習 神經網路等電腦科學結合的研究方向？
林錦堅 分享乙個工作。作者用貝葉斯優化工具在化學的反應優化進行了研究。從結論上看，貝葉斯優化方法在反應條件方面的應用中，可以篩選出比實驗室實驗更好的化學反應條件。他們提出一種用於貝葉斯反應優化的新框架，該方法還可讓方便化學科研人員將最新的優化演算法整合到他們的實驗實踐中。 紀淘淘 未來或許可以建立乙...
深度學習和神經網路技術離強人工智慧還有多遠？
江南 遠著呢，這麼說吧人類為什麼在地球上脫穎而出？大腦！乙個小小的細胞裡面都能攜帶大量的DNA儲存量，乙個小小的精子就能和卵子結合創造乙個人類！所以說基礎科學遠遠無法支撐強人工智慧的到來，計算儲存能量，執行機制，可能人類研究人工智慧的方向都是錯的！我們只能說在某個單一功能領域超過人類，但人是乙個整體...