1樓：孤睿絡巔
我感覺挺大的，我那個時候基本上就用樹莓派，他們家
現貨樹莓派3代B+開發板 Raspberry Pi 3 B/B+ python程式設計套樹莓派3代B 主機板
的，做硬體學習人工智慧。
2樓：穩定噠天才
當然是有幫助的啊！
尤其機器學習。機器學習(Machine Learning, ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、演算法複雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的效能。
它是人工智慧的核心，是使計算機具有智慧型的根本途徑，其應用遍及人工智慧的各個領域，它主要使用歸納、綜合而不是演繹。它是非常複雜龐大的一門學科。懂訊號處理對學習機器學習有很大幫助。
3樓：星辰大海
肯定有幫助哇。現在很多人把經典訊號處理方法，跟深度學習融合在一起，形成新演算法。
殘差收縮網路就是把訊號處理中常用的軟閾值函式，嵌到殘差網路裡面，以獲得含噪資料上的更佳效能。
4樓：豆豆
學習隨機訊號處理（統計訊號處理）會發現裡邊很多知識概念構成機器學習領域很多基礎。比如裡邊牛頓拉爾森迭代，極大似然估計，最小二乘演算法。
不可惜~學了就不可惜~
5樓：Kakaxisasi
我一直不能理解二者有什麼大的區別，唯一就是傅利葉變換小波變換吧……
十年前讀博士的時候...日本導師一直用迭代....還有神經網路研究啥LDPC Precoding 說白了這些工具都近似於只不過解決的問題是通訊罷了
6樓：七海的風
即便是軟工出身的人，只要不是專注搞演算法的，和機器學習的匹配度也很一般。各種演算法本科大都沒接觸，數學相關的理論也不紮實，與人工智慧相關的框架也基本沒碰過。
我甚至感覺你學的東西會更有用一些，基本都是和機器學習沾些邊的。
如果要做工程的話，程式設計的確是個問題。但如果你理解了matlab，語言就不是個限制，因為很多東西都是相通的。
至於方向的選擇，相信你在讀研後會更清楚。
學習機器學習，各種理論基本掌握了，但是卻很迷茫，不知該往哪個方向走？
東臨碣石 在掌握基礎理論的基礎上，更難的是進行演算法創新。在這方面，可以參考殘差收縮網路。其 注意力機制 軟閾值化 的模式，有助於減輕雜訊對模型效果的影響。可以參考 如何寫人工智慧方面的sci？ 風騷依舊唐馬儒 當你迷茫時請專攻一項，當你這一項能力很突出之後，你會發現工作或以後的路特別清晰。然後再考...
如何系統地學習機械人？
狗尾巴草 系統學習機械人，理論知識很重要，但實踐來得更為真實！機械人四大家庭之一的庫卡，推出了縮小10倍的工業機械人真實模型，對接多種資料介面及開發環境，讓普通人在學習機械人的過程中，直接在真實的實操環境中實踐你的理論知識，無論是機械人驅動控制，路徑規劃，機器視覺，能在工業機械人上操作的東西，基本上...
對模式識別 人工智慧 神經網路 機器學習 機械人 知識工程 智慧型決策等工作是否有一以貫之的理論說明？
大象腳趾 運用基準變換可能一以貫之地表示模式識別 人工智慧 神經網路 深度學習 機器學習 機械人 知識工程 智慧型決策等工作各種各樣的公式 定律及方程。基準變換其實就是如果 那麼 的數學表示。兄弟貓爪0下運用幾何邏輯學方法拓展基準變換為，就同乙個物件O，從甲角度，運用阿爾法方法，得出A結論 從乙角度...