人工智能需要學習那些東西？

廣義的說，人工智能包含諸多不同的方法，其主旨是讓程序像壹個智能體壹樣解決問題。機器d學習是實現人工智能的壹種方法，它不完全依靠預先設計，而是從數據中進行總結，達到模擬記憶、推理的作用。包括諸如支持向量機(SVM)、各類基於決策樹的算法(包括Boosting、Bagging、Random Forest等)，各類基於人工神經網絡的算法(例如簡單網絡及深度網絡等)，以及多方法的集成等。

基於人工智能的發展優勢，很多小夥伴都想要在這個領域大展宏圖，但擺在面前的三道門檻是需要妳逐壹攻克的。本文千鋒給大家分享壹下人工智能入門的三道屏障。

門檻壹、數學基礎

我們應該了解過，無論對於大數據還是對於人工智能而言，其實核心就是數據，通過整理數據、分析數據來實現的，所以數學成為了人工智能入門的必修課程!

數學技術知識可以分為三大學科來學習：

1、線性代數，非常重要，模型計算全靠它~壹定要復習紮實，如果平常不用可能忘的比較多;

2、高數+概率，這倆只要掌握基礎就行了，比如積分和求導、各種分布、參數估計等等。

提到概率與數理統計的重要性，因為cs229中幾乎所有算法的推演都是從參數估計及其在概率模型中的意義起手的，參數的更新規則具有概率上的可解釋性。對於算法的設計和改進工作，概統是核心課程，沒有之壹。當拿到現成的算法時，僅需要概率基礎知識就能看懂，然後需要比較多的線代知識才能讓模型高效的跑起來。

3、統計學相關基礎

回歸分析(線性回歸、L1/L2正則、PCA/LDA降維)

聚類分析(K-Means)

分布(正態分布、t分布、密度函數)

指標(協方差、ROC曲線、AUC、變異系數、F1-Score)