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，具體來說包括：

• 線性代數：如何將研究對象形式化？
• 概率論：如何描述統計規律？
• 數理統計：如何以小見大？
• 最優化理論： 如何找到最優解？
• 信息論：如何定量度量不確定性？
• 形式邏輯：如何實現抽象推理？

人工智能對從業人員的素質要求很高，數學水平和編程水平是兩個必須逾越的坎，很多大學在跟風開設這個專業，但卻師資、設備等都還跟不上。如果你真心想要在這行有大發展，良好的基礎是必須的，以下是人工智能專業課程：
------------------------------------
人工智能專業學習課程（不限于以下課程）：
（1）計算機科學知識：數據結構和算法、Linux操作系統、計算機組成原理、計算機網絡通信技術、云計算基礎、數據庫等；（大一大二大三課程）
（2）基礎數學：高等數學、線性代數、概率論、運籌學、凸優化等；（大一大二課程）
（3）至少一門編程語言：Python、C++或Java等（大二、大三課程）
（4）人工智能有以下核心科目（大四或研究生課程）：
人工智能AI基礎
智能計算平臺應用開發
機器學習與機器學習框架Sk-learn
深度學習框架Tensorflow或PyTorch或華為MindSpore深度學習與神經網絡

AI人工智能一般分成以下4個方向：
1、AI方向-數據智能（大數據挖掘）
2、AI方向-計算機視覺
3、AI方向-自然語言處理
4、AI方向-自動駕駛
------------------------------------
但是，由于目前很多傻瓜化的工具出現，在大部分的業務場景下只需要一些很簡單的代碼就可以搞定。

從傳統意義來說，人工智能對從業人員的素質要求很高，數學水平和編程水平是兩個必須逾越的坎，目前市面上很多工作都是碩士起步。如果你真心想要在這行有大發展，良好的基礎是必須的。
?
但是，由于目前很多傻瓜化的工具出現，在大部分的業務場景下只需要一些很簡單的代碼就可以搞定。
?
最常見的就是python上的各種工具包，比如機器學習框架之sklearn，獲取數據 -> 數據預處理 -> 訓練建模 -> 模型評估 -> 預測,分類，還有就是最近很火的TensorFlow。
?
如果你確實在理論基礎方面實在有困難，多熟練掌握一些實用工具也能在市面上也能找到不錯的工作。

第1節課程體系結構介紹和學習經驗分享

第2節python環境準備

第3節多版本anaconda共存安裝方法

第4節1.python計算基礎.3.numpy速覽

第5節1.python計算基礎.4.ndarray詳解

第6節1.python計算基礎.5.創建ndarray對象

第7節1.python計算基礎.6.ndarray的文件讀寫

第8節1.python計算基礎.7.數組的拆分

第9節1.python計算基礎.8.數組的合并操作

第10節1.python計算基礎.9.如何訪問數組元素

第11節1.python計算基礎.10.用布爾下標訪問數組元素

第12節1.python計算基礎.11.整數列表訪問數組元素

第13節1.python計算基礎.12.ufunc和broadcast

第14節1.python計算基礎.13.ufunc案例實戰—knn分類器

第15節1.python計算基礎.13.認識矩陣

第16節1.python計算基礎.14.矩陣的特點

第17節1.python計算基礎.15.numpy的線性代數庫

第18節2.實用線性代數.1.認識向量及其四則運算

第19節2.實用線性代數.2.相似度和距離的計算

第20節2.實用線性代數.3.什么是矩陣

第21節2.實用線性代數.4.什么是矩陣的行列式

第22節2.實用線性代數.5.矩陣的四則運算

第23節2.實用線性代數.6.什么是子空間和基

第24節2.實用線性代數.7.什么是線性變換以及和矩陣的關系

第25節2.實用線性代數.8.什么是相似矩陣和特征分解

第26節2.實用線性代數.9.方陣的正交分解

第27節2.實用線性代數.10.搞定PCA

第28節2.實用線性代數.11.搞定SVD分解

第29節2.實用線性代數.12.Python實戰PCA

第30節2.實用線性代數.13.Python實戰SVD分解

第31節3.概率論和統計.1.概率論的基本概念

第32節3.概率論和統計.2.概率論的基本概念2

第33節3.概率論和統計.3.典型的分布和它們的數字特征

第34節3.概率論和統計.4.隨機向量

第35節3.概率論和統計.5.協方差和PCA

第36節3.概率論和統計.6.Python實戰生成常見的隨機變量

第37節3.概率論和統計.7.樸素貝葉斯和垃圾郵件分類

第38節3.概率論和統計.8.Python垃圾郵件分類代碼詳解

第39節3.概率論和統計.9.統計基礎

第40節3.概率論和統計.10.數據的描述統計

第41節3.概率論和統計.11.極大似然估計

第42節3.概率論和統計.12.最大后驗概率

第43節3.概率論和統計.13.什么是假設檢驗

第44節3.概率論和統計.14.假設檢驗怎么做

第45節3.概率論和統計.15.假設檢驗結果怎么解讀

第46節3.概率論和統計.16.假設檢驗為什么可行

第47節3.概率論和統計.17.什么是方差分析

第48節3.概率論和統計.18.方差分析實戰

第49節4.python可視化數據分析實戰.1

第50節4.python可視化數據分析實戰.2

第51節4.python可視化數據分析實戰.3

第52節4.python可視化數據分析實戰.4

第53節4.python可視化數據分析實戰.5

第54節4.python可視化數據分析實戰.6

第55節4.python可視化數據分析實戰.7

第56節4.python可視化數據分析實戰.8

第57節5.凸優化.1.高數重點內容串講

第58節5.凸優化.2.梯度和導數

第59節5.凸優化.3.導數和極值的關系以及泰勒展開

第60節5.凸優化.4.梯度下降算法

第61節5.凸優化.5.梯度下降算法的各種變形（牛頓法和擬牛頓法動量法）

第62節5.凸優化.6.人工智能中常見損失函數的手工推導

第63節5.凸優化.7.sigmoid函數及其梯度的手工推導

第64節5.凸優化.8.logloss函數及其梯度的手工推導(1)

第65節5.凸優化.9.spark中使用的梯度推導

第66節5.凸優化.11.凸集的概念

第67節5.凸優化.12.凸函數的概念

第68節5.凸優化.13.保凸運算是個什么鬼

第69節5.凸優化.14.正式認識凸優化問題

第70節5.凸優化.15.對偶函數和對偶理論

第71節5.凸優化.16.強對偶條件和kkt條件

第72節5.凸優化.17.支持向量機SVM的幾何解釋

第73節5.凸優化.18.支持向量機的標準形式

第74節5.凸優化.19.支持向量機的kkt條件和最終解決

第75節5.凸優化.20.支持向量機的核技巧和線性不可分問題