一、對人工智能很感興趣，打算學習，請問需要什么數學基礎？

好吧。。之前兩個回答明顯是Copy過來的。。。但講的大概是對的。。。

目前國內比較熱門的應該有機器學習(ML)，數據挖掘(DM)，自然語言處理(NLP)，這些方向國內還是比較強的，因為不依賴硬件，純理論和軟件。其他方向比如智能機器人，生物智能，這些比較依賴硬件實力，國內相對較弱，歐美日這些方面比較強。看以后是準備在國內還是國外發展而定(當然外國ML,DM,NLP也很強。。只是國內相對來說比較好。。)

有一點是肯定的，絕大部分理工科，數學都是要求非常高的。。。當然我說的是研究，如果是做AI方向的程序員的話，要求不是很高。。。AI的所有方向都會用到線性代數，概率論。 至于樓上說的什么離散數學，微積分，用是用的到 不過并不是非常難，因為他們只是基礎 某個函數你知道怎么積分就行了，沒有太多難處。。切身感覺是，概率論非常非常重要，基本上人工智能里面的“智能”就靠概率來實現。。。。（生物智能不是很了解 不過也應該是差不多）

二、學習人工智能需要哪些基礎？

需要數學基礎：高等數學，線性代數，概率論數理統計和隨機過程，離散數學，數值分析。數學基礎知識蘊含著處理智能問題的基本思想與方法，也是理解復雜算法的必備要素。今天的種種人工智能技術歸根到底都建立在數學模型之上，要了解人工智能，首先要掌握必備的數學基礎知識。線性代數將研究對象形式化，概率論描述統計規律。

需要算法的積累：人工神經網絡，支持向量機，遺傳算法等等算法；當然還有各個領域需要的算法，比如要讓機器人自己在位置環境導航和建圖就需要研究SLAM；總之算法很多需要時間的積累。

需要掌握至少一門編程語言，比如C語言，MATLAB之類。畢竟算法的實現還是要編程的；如果深入到硬件的話，一些電類基礎課必不可少。

三、人工智能需要學習哪些數學知識

分布，KL距離等再往后面延伸還有信息論等內容它是更實用理論的基礎。

5.最優化

在簡單基礎的應用場景下，我們希望機器學習能很好的對于事物有個歸納總結的能力，所以訓練學習的過程有點像一個擬合過程，不用的應用場景對不同的目標進行優化所以肯定是基礎再上一層所要具備的數學素養

6.凸優化

更進一步的優化應用

7. 組合數學

這是計算機行業的基本功

8.具體數學

一本書叫這個名字，同樣應該作為通用計算機類數學基本功

9.時間序列分析

10.隨機過程

四、人工智能的研究價值

例如繁重的科學和工程計算本來是要人腦來承擔的，如今計算機不但能完成這種計算，而且能夠比人腦做得更快、更準確，因此當代人已不再把這種計算看作是“需要人類智能才能完成的復雜任務”，可見復雜工作的定義是隨著時代的發展和技術的進步而變化的，人工智能這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展，另一方面又轉向更有意義、更加困難的目標。

通常，“機器學習”的數學基礎是“統計學”、“信息論”和“控制論”。還包括其他非數學學科。這類“機器學習”對“經驗”的依賴性很強。計算機需要不斷從解決一類問題的經驗中獲取知識，學習策略，在遇到類似的問題時，運用經驗知識解決問題并積累新的經驗，就像普通人一樣。我們可以將這樣的學習方式稱之為“連續型學習”。但人類除了會從經驗中學習之外，還會創造，即“跳躍型學習”。這在某些情形下被稱為“靈感”或“頓悟”。一直以來，計算機最難學會的就是“頓悟”。或者再嚴格一些來說，計算機在學習和“實踐”方面難以學會“不依賴于量變的質變”，很難從一種“質”直接到另一種“質”，或者從一個“概念”直接到另一個“概念”。正因為如此，這里的“實踐”并非同人類一樣的實踐。人類的實踐過程同時包括經驗和創造。

這是智能化研究者夢寐以求的東西。

2013年，帝金數據普數中心數據研究員S.C WANG開發了一種新的數據分析方法，該方法導出了研究函數性質的新方法。作者發現，新數據分析方法給計算機學會“創造”提供了一種方法。本質上，這種方法為人的“創造力”的模式化提供了一種相當有效的途徑。這種途徑是數學賦予的，是普通人無法擁有但計算機可以擁有的“能力”。從此，計算機不僅精于算，還會因精于算而精于創造。計算機學家們應該斬釘截鐵地剝奪“精于創造”的計算機過于全面的操作能力，否則計算機真的有一天會“反捕”人類。

當回頭審視新方法的推演過程和數學的時候，作者拓展了對思維和數學的認識。數學簡潔，清晰，可靠性、模式化強。在數學的發展史上，處處閃耀著數學大師們創造力的光輝。這些創造力以各種數學定理或結論的方式呈現出來，而數學定理最大的特點就是：建立在一些基本的概念和公理上，以模式化的語言方式表達出來的包含豐富信息的邏輯結構。應該說，數學是最單純、最直白地反映著（至少一類）創造力模式的學科。