人工智能？
感觉这个词很广泛，我之前想把人工智能当成某一项技术来学，但是并没有找到我满意的答案，还是说人工智能本就不是某一项技术？
首先回答一下人工智能到底学什么
1、学习并掌握一些数学知识
高等数学是基础中的基础，一切理工科都需要这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础
线性代数很重要，一般来说线性模型是你最先要考虑的模型，加上很可能要处理多维数据，你需要用线性代数来简洁清晰的描述问题，为分析求解奠定基础
概率论、数理统计、随机过程更是少不了，涉及数据的问题，不确定性几乎是不可避免的，引入随机变量顺理成章，相关理论、方法、模型非常丰富。很多机器学习的算法都是建立在概率论和统计学的基础上的，比如贝叶斯分类器、高斯隐马尔可夫链。
再就是优化理论与算法，除非你的问题是像二元一次方程求根那样有现成的公式，否则你将不得不面对各种看起来无解但是要解的问题，优化将是你的GPS为你指路
有以上这些知识打底，就可以开拔了，针对具体应用再补充相关的知识与理论，比如说一些我觉得有帮助的是数值计算、图论、拓扑，更理论一点的还有实/复分析、测度论，偏工程类一点的还有信号处理、数据结构。
2、掌握经典机器学习理论和算法
如果有时间可以为自己建立一个机器学习的知识图谱，并争取掌握每一个经典的机器学习理论和算法，我简单地总结如下：
1) 回归算法： 常见的回归算法包括最小二乘法（OrdinaryLeast
Square），逻辑回归（Logistic Regression），逐步式回归（Stepwise
Regression），多元自适应回归样条（MultivariateAdaptive Regression
Splines）以及本地散点平滑估计（Locally Estimated Scatterplot Smoothing）；
2) 基于实例的算法： 常见的算法包括 k-Nearest Neighbor(KNN), 学习矢量量化（Learning Vector Quantization， LVQ），以及自组织映射算法（Self-Organizing Map ， SOM）；
3) 基于正则化方法： 常见的算法包括：Ridge Regression， Least Absolute Shrinkage and Selection Operator（LASSO），以及弹性网络（Elastic Net）；
4) 决策树学习： 常见的算法包括：分类及回归树（ClassificationAnd
Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5，
Chi-squared Automatic Interaction Detection(CHAID), Decision Stump,
随机森林（Random Forest）， 多元自适应回归样条（MARS）以及梯度推进机（Gradient Boosting Machine，
GBM）；
5) 基于贝叶斯方法： 常见算法包括：朴素贝叶斯算法，平均单依赖估计（AveragedOne-Dependence Estimators， AODE），以及Bayesian Belief Network（BBN）；
6) 基于核的算法： 常见的算法包括支持向量机（SupportVector Machine， SVM）， 径向基函数（Radial Basis Function ，RBF)， 以及线性判别分析（Linear Discriminate Analysis ，LDA)等；
7) 聚类算法： 常见的聚类算法包括 k-Means算法以及期望最大化算法（Expectation Maximization， EM）；
8) 基于关联规则学习： 常见算法包括 Apriori算法和Eclat算法等；
9) 人工神经网络： 重要的人工神经网络算法包括：感知器神经网络（PerceptronNeural
Network）, 反向传递（Back Propagation）， Hopfield网络，自组织映射（Self-OrganizingMap,
SOM）。学习矢量量化（Learning Vector Quantization， LVQ）；
10) 深度学习： 常见的深度学习算法包括：受限波尔兹曼机（RestrictedBoltzmann
Machine， RBN）， Deep Belief Networks（DBN），卷积网络（Convolutional Network）,
堆栈式自动编码器（Stacked Auto-encoders）；
11) 降低维度的算法： 常见的算法包括主成份分析（PrincipleComponent
Analysis， PCA），偏最小二乘回归（Partial Least Square Regression，PLS），
Sammon映射，多维尺度（Multi-Dimensional Scaling, MDS）, 投影追踪（ProjectionPursuit）等；
12) 集成算法： 常见的算法包括：Boosting，
Bootstrapped Aggregation（Bagging），AdaBoost，堆叠泛化（Stacked
Generalization， Blending），梯度推进机（GradientBoosting Machine,
GBM），随机森林（Random Forest）。
3、掌握一种编程工具，比如Python
一方面Python是脚本语言，简便，拿个记事本就能写，写完拿控制台就能跑；另外，Python非常高效，效率比java、r、matlab高。matlab虽然包也多，但是效率是这四个里面最低的。
4、了解行业最新动态和研究成果， 比如各大牛的经典论文、博客、读书笔记、微博微信等媒体资讯。
5、买一个GPU，找一个开源框架，自己多动手训练深度神经网络，多动手写写代码，多做一些与人工智能相关的项目。
6、选择自己感兴趣或者工作相关的一个领域深入下去
人工智能有很多方向，比如NLP、语音识别、计算机视觉等等，生命有限，必须得选一个方向深入的专研下去，这样才能成为人工智能领域的大牛，有所成就。
再回答第二个问题，人工智能到底是不是一项技术？
根据百度百科给的定义，人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的还能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是一项技术。希望能帮到你，还整理了针对于想学习人工智能这一板块的学习资料。
人工智能？
感觉这个词很广泛，我之前想把人工智能当成某一项技术来学，但是并没有找到我满意的答案，还是说人工智能本就不是某一项技术？
首先回答一下人工智能到底学什么
1、学习并掌握一些数学知识
高等数学是基础中的基础，一切理工科都需要这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础
线性代数很重要，一般来说线性模型是你最先要考虑的模型，加上很可能要处理多维数据，你需要用线性代数来简洁清晰的描述问题，为分析求解奠定基础
概率论、数理统计、随机过程更是少不了，涉及数据的问题，不确定性几乎是不可避免的，引入随机变量顺理成章，相关理论、方法、模型非常丰富。很多机器学习的算法都是建立在概率论和统计学的基础上的，比如贝叶斯分类器、高斯隐马尔可夫链。
再就是优化理论与算法，除非你的问题是像二元一次方程求根那样有现成的公式，否则你将不得不面对各种看起来无解但是要解的问题，优化将是你的GPS为你指路
有以上这些知识打底，就可以开拔了，针对具体应用再补充相关的知识与理论，比如说一些我觉得有帮助的是数值计算、图论、拓扑，更理论一点的还有实/复分析、测度论，偏工程类一点的还有信号处理、数据结构。
2、掌握经典机器学习理论和算法
如果有时间可以为自己建立一个机器学习的知识图谱，并争取掌握每一个经典的机器学习理论和算法，我简单地总结如下：
1) 回归算法： 常见的回归算法包括最小二乘法（OrdinaryLeast
Square），逻辑回归（Logistic Regression），逐步式回归（Stepwise
Regression），多元自适应回归样条（MultivariateAdaptive Regression
Splines）以及本地散点平滑估计（Locally Estimated Scatterplot Smoothing）；
2) 基于实例的算法： 常见的算法包括 k-Nearest Neighbor(KNN), 学习矢量量化（Learning Vector Quantization， LVQ），以及自组织映射算法（Self-Organizing Map ， SOM）；
3) 基于正则化方法： 常见的算法包括：Ridge Regression， Least Absolute Shrinkage and Selection Operator（LASSO），以及弹性网络（Elastic Net）；
4) 决策树学习： 常见的算法包括：分类及回归树（ClassificationAnd
Regression Tree， CART）， ID3 (Iterative Dichotomiser 3)， C4.5，
Chi-squared Automatic Interaction Detection(CHAID), Decision Stump,
随机森林（Random Forest）， 多元自适应回归样条（MARS）以及梯度推进机（Gradient Boosting Machine，
GBM）；
5) 基于贝叶斯方法： 常见算法包括：朴素贝叶斯算法，平均单依赖估计（AveragedOne-Dependence Estimators， AODE），以及Bayesian Belief Network（BBN）；
6) 基于核的算法： 常见的算法包括支持向量机（SupportVector Machine， SVM）， 径向基函数（Radial Basis Function ，RBF)， 以及线性判别分析（Linear Discriminate Analysis ，LDA)等；
7) 聚类算法： 常见的聚类算法包括 k-Means算法以及期望最大化算法（Expectation Maximization， EM）；
8) 基于关联规则学习： 常见算法包括 Apriori算法和Eclat算法等；
9) 人工神经网络： 重要的人工神经网络算法包括：感知器神经网络（PerceptronNeural
Network）, 反向传递（Back Propagation）， Hopfield网络，自组织映射（Self-OrganizingMap,
SOM）。学习矢量量化（Learning Vector Quantization， LVQ）；
10) 深度学习： 常见的深度学习算法包括：受限波尔兹曼机（RestrictedBoltzmann
Machine， RBN）， Deep Belief Networks（DBN），卷积网络（Convolutional Network）,
堆栈式自动编码器（Stacked Auto-encoders）；
11) 降低维度的算法： 常见的算法包括主成份分析（PrincipleComponent
Analysis， PCA），偏最小二乘回归（Partial Least Square Regression，PLS），
Sammon映射，多维尺度（Multi-Dimensional Scaling, MDS）, 投影追踪（ProjectionPursuit）等；
12) 集成算法： 常见的算法包括：Boosting，
Bootstrapped Aggregation（Bagging），AdaBoost，堆叠泛化（Stacked
Generalization， Blending），梯度推进机（GradientBoosting Machine,
GBM），随机森林（Random Forest）。
3、掌握一种编程工具，比如Python
一方面Python是脚本语言，简便，拿个记事本就能写，写完拿控制台就能跑；另外，Python非常高效，效率比java、r、matlab高。matlab虽然包也多，但是效率是这四个里面最低的。
4、了解行业最新动态和研究成果， 比如各大牛的经典论文、博客、读书笔记、微博微信等媒体资讯。
5、买一个GPU，找一个开源框架，自己多动手训练深度神经网络，多动手写写代码，多做一些与人工智能相关的项目。
6、选择自己感兴趣或者工作相关的一个领域深入下去
人工智能有很多方向，比如NLP、语音识别、计算机视觉等等，生命有限，必须得选一个方向深入的专研下去，这样才能成为人工智能领域的大牛，有所成就。
再回答第二个问题，人工智能到底是不是一项技术？
根据百度百科给的定义，人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的还能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是一项技术。希望能帮到你，还整理了针对于想学习人工智能这一板块的学习资料。
原文地址：https://www.cnblogs.com/t198520/p/10826413.html