想学习人工智能AI专业，需要哪些数学基础？

数学基础知识蕴含着处理智能问题的基本思想与方法，也是理解复杂算法的必备要素。今天的种种人工智能技术归根到底都建立在数学模型之上，要了解人工智能，首先要掌握必备的数学基础知识，具体来说包括：

• 线性代数：如何将研究对象形式化？
• 概率论：如何描述统计规律？
• 数理统计：如何以小见大？
• 最优化理论： 如何找到最优解？
• 信息论：如何定量度量不确定性？
• 形式逻辑：如何实现抽象推理？

人工智能对从业人员的素质要求很高，数学水平和编程水平是两个必须逾越的坎，很多大学在跟风开设这个专业，但却师资、设备等都还跟不上。如果你真心想要在这行有大发展，良好的基础是必须的，以下是人工智能专业课程：
------------------------------------
人工智能专业学习课程（不限于以下课程）：
（1）计算机科学知识：数据结构和算法、Linux操作系统、计算机组成原理、计算机网络通信技术、云计算基础、数据库等；（大一大二大三课程）
（2）基础数学：高等数学、线性代数、概率论、运筹学、凸优化等；（大一大二课程）
（3）至少一门编程语言：Python、C++或Java等（大二、大三课程）
（4）人工智能有以下核心科目（大四或研究生课程）：
人工智能AI基础
智能计算平台应用开发
机器学习与机器学习框架Sk-learn
深度学习框架Tensorflow或PyTorch或华为MindSpore深度学习与神经网络

AI人工智能一般分成以下4个方向：
1、AI方向-数据智能（大数据挖掘）
2、AI方向-计算机视觉
3、AI方向-自然语言处理
4、AI方向-自动驾驶
------------------------------------
但是，由于目前很多傻瓜化的工具出现，在大部分的业务场景下只需要一些很简单的代码就可以搞定。

从传统意义来说，人工智能对从业人员的素质要求很高，数学水平和编程水平是两个必须逾越的坎，目前市面上很多工作都是硕士起步。如果你真心想要在这行有大发展，良好的基础是必须的。
 
但是，由于目前很多傻瓜化的工具出现，在大部分的业务场景下只需要一些很简单的代码就可以搞定。
 
最常见的就是python上的各种工具包，比如机器学习框架之sklearn，获取数据 -> 数据预处理 -> 训练建模 -> 模型评估 -> 预测,分类，还有就是最近很火的TensorFlow。
 
如果你确实在理论基础方面实在有困难，多熟练掌握一些实用工具也能在市面上也能找到不错的工作。

第1节课程体系结构介绍和学习经验分享

第2节python环境准备

第3节多版本anaconda共存安装方法

第4节1.python计算基础.3.numpy速览

第5节1.python计算基础.4.ndarray详解

第6节1.python计算基础.5.创建ndarray对象

第7节1.python计算基础.6.ndarray的文件读写

第8节1.python计算基础.7.数组的拆分

第9节1.python计算基础.8.数组的合并操作

第10节1.python计算基础.9.如何访问数组元素

第11节1.python计算基础.10.用布尔下标访问数组元素

第12节1.python计算基础.11.整数列表访问数组元素

第13节1.python计算基础.12.ufunc和broadcast

第14节1.python计算基础.13.ufunc案例实战—knn分类器

第15节1.python计算基础.13.认识矩阵

第16节1.python计算基础.14.矩阵的特点

第17节1.python计算基础.15.numpy的线性代数库

第18节2.实用线性代数.1.认识向量及其四则运算

第19节2.实用线性代数.2.相似度和距离的计算

第20节2.实用线性代数.3.什么是矩阵

第21节2.实用线性代数.4.什么是矩阵的行列式

第22节2.实用线性代数.5.矩阵的四则运算

第23节2.实用线性代数.6.什么是子空间和基

第24节2.实用线性代数.7.什么是线性变换以及和矩阵的关系

第25节2.实用线性代数.8.什么是相似矩阵和特征分解

第26节2.实用线性代数.9.方阵的正交分解

第27节2.实用线性代数.10.搞定PCA

第28节2.实用线性代数.11.搞定SVD分解

第29节2.实用线性代数.12.Python实战PCA

第30节2.实用线性代数.13.Python实战SVD分解

第31节3.概率论和统计.1.概率论的基本概念

第32节3.概率论和统计.2.概率论的基本概念2

第33节3.概率论和统计.3.典型的分布和它们的数字特征

第34节3.概率论和统计.4.随机向量

第35节3.概率论和统计.5.协方差和PCA

第36节3.概率论和统计.6.Python实战生成常见的随机变量

第37节3.概率论和统计.7.朴素贝叶斯和垃圾邮件分类

第38节3.概率论和统计.8.Python垃圾邮件分类代码详解

第39节3.概率论和统计.9.统计基础

第40节3.概率论和统计.10.数据的描述统计

第41节3.概率论和统计.11.极大似然估计

第42节3.概率论和统计.12.最大后验概率

第43节3.概率论和统计.13.什么是假设检验

第44节3.概率论和统计.14.假设检验怎么做

第45节3.概率论和统计.15.假设检验结果怎么解读

第46节3.概率论和统计.16.假设检验为什么可行

第47节3.概率论和统计.17.什么是方差分析

第48节3.概率论和统计.18.方差分析实战

第49节4.python可视化数据分析实战.1

第50节4.python可视化数据分析实战.2

第51节4.python可视化数据分析实战.3

第52节4.python可视化数据分析实战.4

第53节4.python可视化数据分析实战.5

第54节4.python可视化数据分析实战.6

第55节4.python可视化数据分析实战.7

第56节4.python可视化数据分析实战.8

第57节5.凸优化.1.高数重点内容串讲

第58节5.凸优化.2.梯度和导数

第59节5.凸优化.3.导数和极值的关系以及泰勒展开

第60节5.凸优化.4.梯度下降算法

第61节5.凸优化.5.梯度下降算法的各种变形（牛顿法和拟牛顿法动量法）

第62节5.凸优化.6.人工智能中常见损失函数的手工推导

第63节5.凸优化.7.sigmoid函数及其梯度的手工推导

第64节5.凸优化.8.logloss函数及其梯度的手工推导(1)

第65节5.凸优化.9.spark中使用的梯度推导

第66节5.凸优化.11.凸集的概念

第67节5.凸优化.12.凸函数的概念

第68节5.凸优化.13.保凸运算是个什么鬼

第69节5.凸优化.14.正式认识凸优化问题

第70节5.凸优化.15.对偶函数和对偶理论

第71节5.凸优化.16.强对偶条件和kkt条件

第72节5.凸优化.17.支持向量机SVM的几何解释

第73节5.凸优化.18.支持向量机的标准形式

第74节5.凸优化.19.支持向量机的kkt条件和最终解决

第75节5.凸优化.20.支持向量机的核技巧和线性不可分问题