『壹』 人工智慧入門書籍

主要有以下書籍：

1.《人工智慧》（美）尼爾森 鄭扣根譯 機械工業出版社
2. 人工智慧智能系統指南（英文版·第2版） （澳）尼格內維特斯基（Negnevitsky,M.） 機械工業出版社
3.《人工智慧：理論與實踐》（美）迪安 等著，顧國昌 等譯 電子工業出版社
4.《人工智慧：復雜問題求解的結構和策略》（美）George F.Luger 著，史忠植，張銀奎 等譯 機械工業出版社
5.《游戲編程中的人工智慧技術》（美）布克蘭德著，吳祖增，沙鷹翻譯 清華大學出版社
6.《人工智慧游戲編程真言》（美）拉比（Rabin,S.） 主編，庄越挺，吳飛 譯清華大學出版社

個人推薦《人工智慧》的原因：
第一，該書言簡意賅比較容易讀懂。
第二，有很多例子穿插在在課文中，幫助讀者能將每種人工智慧的方法應用於只見眾。第三，演算法或者數據結構的解釋被巧妙地闡釋出來，而不是對一大堆資料的冗長的總結。最後，編程章節讓學生能更深刻地理解資料，同時也穿插著許多對實現細節的參考。

『貳』 人工智慧如何入門

人工智慧入門需要掌握這些知識：

1.基礎數學知識：線性代數、概率論、統計學、圖論

2.基礎計算機知識：操作系統、linux、網路、編譯原理、數據結構、資料庫

3.編程語言基礎：C/C++、Python、Java

4.人工智慧基礎知識：ID3、C4.5、邏輯回歸、SVM、分類器、等演算法的特性、性質、和其他演算法對比的區別等內容。

5.工具基礎知識：opencv、matlab、caffe等

要進入人工智慧行業，首先要有一定的數學功底，因為人工智慧不同於app開發，網頁開發、游戲開發等傳統的互聯網職位，先看看51cto學院人工智慧的課程，會有不少幫助。人工智慧是從數學中的「逼近理論」逐步演化而來的，當今人工智慧所使用的方法，最開始的時候大部分是數學家為了逼近某些比較難表示的非線性函數而使用的。後來隨著計算機性能的提高，計算機工作者，統計學家，開始嘗試用這套「逼近理論」解決一些分類問題。逐步發展成為現在的人工智慧局面。現在屬於人工智慧行業發展初期，各種可用的api函數都比較少，所以自己編寫演算法是必須要會的。

『叄』 自學人工智慧需要學那些專業知識

一、人工智慧是一個綜合學科，如樓上所說。而其本身又分為多個方面如神經網路、機器識別、機器視覺、機器人等。一個人想自學所有人工智慧方面並不是很容易的一件事。對於你想知道人工智慧在編程方面需要多深的要求。怎麼說好呢無論C++還是匯編他都是一門語言主要會靈活運用。大多機器人模擬都用的混合編程模式，也就是運用多種編程軟體及語言組合使用。之所以這樣是為了彌補語言間的不足。prolog在邏輯演繹方面比突出。C++在硬體介面及windos銜接方面比較突出，MATLAB在數學模型計算方面比較突出。如果單學人工智慧演算法的話prolog足以，如果想開發機器模擬程序的話VC++ MATLAB應該多學習點。對於你想買什麼書學習。我只能對我看過的書給你介紹一下，你再自己酌量一下。

1.人工智慧演算法方面:《人工智慧及其應用》第三版、人工智慧與知識工程。這兩本感覺買一本就可以了。第一本感覺能簡單並且全面點。這類書其實很多可是。大多內容都是重復的所以買一到兩本即可。

2.機器視覺演算法方面:《機器視覺演算法與應用》這本書講的大多都是工業化生產中機器視覺應用。從內容來說並不是很簡單，建議不要當入門教材來學習。

3.機器人方面：新版《機器人技術手冊》日譯的書，可能這是我當初在當當網里找到唯一一本比較全面實用的機器人方面的書。這本書由基礎到應用以及一些機器人實際問題上講述得很全面。強烈建議買一本。

二、學習人工智慧AI需要下列最基礎的知識：

1.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。

2.需要演算法的積累：人工神經網路，支持向量機，遺傳演算法等等演算法；當然還有各個領域需要的演算法，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；總之演算法很多需要時間的積累。

3.需要掌握至少一門編程語言，畢竟演算法的實現還是要編程的；如果深入到硬體的話，一些電類基礎課必不可少。

人工智慧一般要到研究生才會去學，本科也就是蜻蜓點水看看而已，畢竟需要的基礎課過於龐大。

『肆』 人工智慧如何入門呢

從事人工智慧，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，離散數學回，數值分析答。
需要演算法的積累：人工神經網路，支持向量機，遺傳演算法等等演算法;當然還有各個領域需要的演算法，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;總之演算法很多需要時間的積累。
需要掌握至少一門編程語言：畢竟演算法的實現還是要編程的;如果深入到硬體的話，一些電類基礎課必不可少。
如果你感興趣，可以去嘗試，網站域名用top。

『伍』 人工智慧難學嗎，人工智慧學什麼內容，好學嗎

入門都是很簡單的。具體基礎知識如下：

人工智慧入門需要掌握這些知識內：
1.基礎數學知識：線性代數、容概率論、統計學、圖論

2.基礎計算機知識：操作系統、linux、網路、編譯原理、數據結構、資料庫
3.編程語言基礎：C/C++、Python、Java
4.人工智慧基礎知識：ID3、C4.5、邏輯回歸、SVM、分類器、等演算法的特性、性質、和其他演算法對比的區別等內容。
5.工具基礎知識：opencv、matlab、caffe等

『陸』 學習人工智慧AI需要哪些知識

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，也是理解復雜演算法的必備要素。今天的種種人工智慧技術歸根到底都建立在數學模型之上，要了解人工智慧，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。

需要演算法的積累：人工神經網路，支持向量機，遺傳演算法等等演算法；當然還有各個領域需要的演算法，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；總之演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。畢竟演算法的實現還是要編程的；如果深入到硬體的話，一些電類基礎課必不可少。

拓展資料：

人工智慧（Artificial Intelligence），英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。

人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。

人工智慧從誕生以來，理論和技術日益成熟，應用領域也不斷擴大，可以設想，未來人工智慧帶來的科技產品，將會是人類智慧的「容器」。人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧不是人的智能，但能像人那樣思考、也可能超過人的智能。

人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。2017年12月，人工智慧入選「2017年度中國媒體十大流行語」。

參考資料：網路—人工智慧：計算機科學的一個分支

『柒』 人工智慧，機器學習，統計學，數據挖掘之間有什麼區別

說到人工智慧，就不能不提到機器學習和深度學習。很多時候，我們得先明確人工智慧與機器學習和深度學習的關系，我們才能更好地去分析和理解人工智慧與數據分析、統計學和數據挖掘思維關聯。人工智慧與統計學、數據分析和數據挖掘的聯系，更多的是機器學習與深度學習，同數據分析與數據挖掘的關聯。
0.人工智慧
人工智慧英文縮寫為AI，它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智慧是計算機科學研究領域的一個重要分支，又是眾多學科的一個交叉學科，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括語音識別、圖像識別、機器人、自然語言處理、智能搜索和專家系統等等，人工智慧可以對人的意識、思維的信息過程的模擬。人工智慧包括眾多的分支領域，比如大家熟悉的機器學習、自然語言理解和模式識別等。
1.機器學習
機器學習屬於人工智慧研究與應用的一個分支領域。機器學習的研究更加偏向理論性，其目的更偏向於是研究一種為了讓計算機不斷從數據中學習知識，而使機器學習得到的結果不斷接近目標函數的理論。
機器學習，引用卡內基梅隆大學機器學習研究領域的著名教授Tom Mitchell的經典定義：
如果一個程序在使用既有的經驗E(Experience)來執行某類任務T(Task)的過程中被認為是「具備學習能力的」，那麼它一定要展現出：利用現有的經驗E，不斷改善其完成既定任務T的性能(Performance)的特質。
機器學習已經有了十分廣泛的應用，例如：數據挖掘、計算機視覺、自然語言處理、生物特徵識別、搜索引擎、醫學診斷、檢測信用卡欺詐、證券市場分析、DNA序列測序、語音和手寫識別、戰略游戲和機器人運用。在我們當下的生活中，語音輸入識別、手寫輸入識別等技術，識別率相比之前若干年的技術識別率提升非常巨大，達到了將近97%以上，大家可以在各自的手機上體驗這些功能，這些技術來自於機器學習技術的應用。
那機器學習與數據挖掘的聯系是什麼呢？
機器學習為數據挖掘提供了理論方法，而數據挖掘技術是機器學習技術的一個實際應用。逐步開發和應用了若干新的分析方法逐步演變而來形成的；這兩個領域彼此之間交叉滲透，彼此都會利用對方發展起來的技術方法來實現業務目標，數據挖掘的概念更廣，機器學習只是數據挖掘領域中的一個新興分支與細分領域，只不過基於大數據技術讓其逐漸成為了當下顯學和主流。
2.數據挖掘
數據挖掘一般是指從大量的數據中通過演算法搜索隱藏於其中信息的過程。數據挖掘本質上像是機器學習和人工智慧的基礎，它的主要目的是從各種各樣的數據來源中，提取出超集的信息，然後將這些信息合並讓你發現你從來沒有想到過的模式和內在關系。這就意味著，數據挖掘不是一種用來證明假說的方法，而是用來構建各種各樣的假說的方法。數據挖掘不能告訴你這些問題的答案，他只能告訴你，A和B可能存在相關關系，但是它無法告訴你A和B存在什麼相關關系。機器學習是從假設空間H中尋找假設函數g近似目標函數f。數據挖掘是從大量的數據中尋找數據相互之間的特性。
數據挖掘是基於資料庫系統的數據發現過程，立足與數據分析技術之上，提供給為高端和高級的規律趨勢發現以及預測功能；同時數據量將變得更為龐大，依賴於模式識別等計算機前沿的技術；其還有另外一個名稱為商業智能(BI, Business Intelligence)，依託於超大型資料庫以及數據倉庫、數據集市等資料庫技術來完成。
主要挖掘方法有: 分類 、 估計、預測、相關性分組或關聯規則、 聚類、復雜數據類型挖掘(Text, Web ,圖形圖像，視頻，音頻等)等技術。
3.深度學習
深度學習的概念源於人工神經網路的研究。含多隱層的多層感知器就是一種深度學習結構。深度學習通過組合低層特徵形成更加抽象的高層表示屬性類別或特徵，以發現數據的分布式特徵表示。晦澀難懂的概念，略微有些難以理解，但是在其高冷的背後，卻有深遠的應用場景和未來。
那深度學習和機器學習是什麼關系呢？
深度學習是實現機器學習的一種方式或一條路徑。其動機在於建立、模擬人腦進行分析學習的神經網路，它模仿人腦的機制來解釋數據。比如其按特定的物理距離連接；而深度學習使用獨立的層、連接，還有數據傳播方向，比如最近大火的卷積神經網路是第一個真正多層結構學習演算法，它利用空間相對關系減少參數數目以提高訓練性能，讓機器認知過程逐層進行，逐步抽象，從而大幅度提升識別的准確性和效率。
神經網路是機器學習的一個分支，而深度學習又是神經網路的一個大分支，深度學習的基本結構是深度神經網路。
4.數據分析
數據分析的概念：基於資料庫系統和應用程序，可以直觀的查看統計分析系統中的數據，從而可以很快得到我們想要的結果；這個就是最基本的數據分析功能，也是我們在信息化時代了，除了重構業務流程、提升行業效率和降低成本之外的了。另外數據分析更多的是指從歷史數據裡面發現有價值的信息，從而提高決策的科學性。數據分析更側重於通過分析數據的歷史分布然後從中得出一些有價值的信息。還有一個數據分析更重要的功能，就是數據可視化。
比如說，在財務系統的信息化中，基於企業的財務系統，我們可以直觀獲取企業現金流量表、資產負債表和利潤表，這些都來自與我們的數據分析技術。數據分析目前常用的軟體是Excel, R, Python等工具。
在對比數據分析和數據挖掘時，數據分析則更像是對歷史數據的一個統計分析過程，比如我們可以對歷史數據進行分析後得到一個粗糙的結論，但當我們想要深入探索為什麼會出現這個結論時，就需要進行數據挖掘，探索引起這個結論的種種因素，然後建立起結論和因素之間模型，當有因素有新的值出現時，我們就可以利用這個模型去預測可能產生的結論。
因此數據分析更像是數據挖掘的一個中間過程。
5.總結
人工智慧與機器學習、深度學習的關系
嚴格意義上說，人工智慧和機器學習沒有直接關系，只不過是機器學習的方法被大量的應用於解決人工智慧的問題而已。目前機器學習是人工智慧的一種實現方式，也是最重要的實現方式。
深度學習是機器學習比較火的一個方向，其本身是神經網路演算法的衍生，在圖像、語音等富媒體的分類和識別上取得了非常好的效果。
數據挖掘與機器學習的關系
數據挖掘主要利用機器學習界提供的技術來分析海量數據，利用資料庫界提供的技術來管理海量數據。
機器學習是數據挖掘的一種重要方法，但機器學習是另一門學科，並不從屬於數據挖掘，二者相輔相成。
深度學習、機器學習的發展帶了許多實際的商業應用，讓虛幻的AI逐步落地，進而影響人類社會發展；
深度學習、機器學習以及未來的AI技術，將讓無人駕駛汽車、更好的預防性治療技術、更發達智能的疾病治療診斷系統、更好的人類生活娛樂輔助推薦系統等，逐步融入人類社會的方方面面。
AI即使是現在，也是未來，不再是一種科幻影像和概念，業界變成了人類社會當下的一種存在，不管人類是否喜歡或者理解，他們都將革命性地改變創造AI的我們人類自身。

『捌』 推薦人工智慧方向經典入門書籍

見人工智慧吧里的推薦書目：http://tieba..com/f?kz=767603859
以下為復制：

入門
經典雜書：On Intelligence，中文版，《人工智慧的未來》
http://ishare.iask.sina.com.cn/f/7735021.html

經典教材：《人工智慧——一種現代方法》（第二版）
Artificial intelligence a modern approach（2section）
http://ishare.iask.sina.com.cn/f/6024072.html（英文版）
中文版簡介：http://book.douban.com/subject/1230487/

心理學：

心理學可以被業餘地分為3大部分。
第1部分，硬科學（science），以實驗心理學為核心；嚴謹得近乎死板，是閱讀的重點。
第2部分，心理量表、評估、統計學及相關理論，大多過於專業且枯燥。這部分只需了解智力測驗和關於智
力（智能）的理論就可以了，其他的不重要。
第3部分，幾乎是純人文的東西（art），包括精神分析（弗洛伊德）、人本主義以及許多以心理咨詢、心
理治療為中心的理論和實踐，及其他各種各樣雷人的東西。這些往往被大眾誤解為心理學的全部，它們很
有趣但並不重要，基本可以無視。

2、《認知心理學》這個學科是人工智慧的兄弟，無論如何必須瀏覽一下
http://ishare.iask.sina.com.cn/f/6773029.html?from=isnom
1、《普通心理學》彭聃齡（瀏覽）
最基礎的部分，目前國內的通用教材，很系統，邏輯清晰。所謂的缺點是缺少人文關懷，所以正合適。
http://ishare.iask.sina.com.cn/f/5070763.html
3、《生理心理學》（瀏覽）
可以看國內版教材，比較便宜，都是互相抄的，內容差不多。看了這個就不用單看生理學了。
4、《弗洛伊德的近視眼（適應性潛意識如何影響我們的生活）》威爾森，這個屬於雜書一類，講潛意識比
較透徹。
5、智力理論和測量部分（《心理評估》）
http://wenku..com/view/ba065be2524de518964b7dd9.html （和這個類似，再稍微詳細點）
網路：智力（intelligence）http://ke..com/view/2646.htm?fr=ala0_1_1
網路：智能（intelligence）http://ke..com/view/375267.htm?fr=ala0_1_1

經濟學：
《經濟學原理》曼昆（兩冊，很好讀）

哲學：（少兒不宜，以免影響馬哲成績）
（以下4本讀過之後未必能立刻理解，不懂的直接跳過留待以後消化，不必鑽牛尖。）
1、《蘇菲的世界》當作純小說看好了，哲學史部分可用教材替代。
2、《西方哲學簡史》（較薄）趙敦華；這是目前國內通用教材，作者是牛人，如果不被拿來考試的話是本很好的書。主要讀笛卡爾，休謨，康德部分。其他部分了解。《現代西方哲學新編》是其後續。羅素《西方哲學史》或其簡寫本——不推薦，但可以考慮。
http://ishare.iask.sina.com.cn/f/5695503.html?from=isnom
3、《康德》（超薄）主要讀認識論部分
4、《波普》（超薄）
上面兩本是簡介性質的黃色小冊子，中華書局，作者是美國人（私下推薦《尼采》、《克爾凱廓爾》、《 薩特》，但和主題無關）

（進化論）：
5、《裸猿》莫里斯，這個太幽默了。http://ishare.iask.sina.com.cn/f/5553656.html（隨便看看）
6、《自私的基因》理查德·道金斯，（必讀，看主幹，例證省略）這個東西很通俗，會顛覆人性觀，心情 不好時勿讀。（讀過之後可以閱讀《克爾凱廓爾》和《薩特》作為補救）

《心理評估》第五章，智力理論PPT
http://www.doc88.com/p-77848640221.html

此外還有數學及計算機類的讀物
由Pallashadow提供

『玖』 學習人工智慧怎麼入門

這兩年人工智慧發展很快，從之前的谷歌AlphaGo機器人戰勝世界圍棋冠軍，到網路無人車，京東和亞馬遜的無人倉庫分撥中心，還有很多人工智慧的相關應用，可見人工智慧的前景一片大好，於是就有很多人想要去進行人工智慧學習。人工智慧學習路線推薦給你：
階段一是Python語言（用時5周，包括基礎語法、面向對象、高級課程、經典課程）；階段二是Linux初級（用時1周，包括Linux系統基本指令、常用服務安裝）；階段三是Web開發之Diango（5周+2周前端+3周diango）；階段四是Web開發之Flask（用時2周）；
階段五是Web框架之Tornado（用時1周）；階段六是docker容器及服務發現（用時2周）；階段七是爬蟲（用時2周）；階段八是數據挖掘和人工智慧（用時3周）。
在這里，小編還想給大家推薦一本人工智慧學習必備書籍：《人工智慧基礎教程(第2版)》系統地闡述了人工智慧的基本原理、實現技術及其應用，全面地反映了國內外人工智慧研究領域的最新進展和發展方向。
《人工智慧基礎教程(第2版)》共18章，分為4個部分，第1部分是搜索與問題求解，系統地敘述了人工智慧中各種搜索方法求解的原理和方法；
第2部分為知識與推理，討論各種知識表示和處理技術、各種典型的推理技術，還包括非經典邏輯推理技術和非協調邏輯推理技術；
第3部分為學習與發現，討論傳統的機器學習演算法、神經網路學習演算法、數據挖掘和知識發現技術；
第4部分為領域應用，這些內容能夠使讀者對人工智慧的基本概念和人工智慧系統的構造方法有一個比較清楚的認識，對人工智慧研究領域里的最新成果有所了解。
《人工智慧基礎教程(第2版)》強調先進性、實用性和可讀性，可作為計算機、信息處理、自動化和電信等it相關專業的高年級本科生和研究生學習人工智慧的教材，也可供從事計算機科學研究、開發和應用的教學和科研人員參考。

『拾』 學習人工智慧，需要什麼數學基礎

需要必備的知識有:

1、線性代數：如何將研究對象形式化？

2、概率論：如何描述統計規律？

3、數理統計：如何以小見大？

4、最優化理論： 如何找到最優解？

5、資訊理論：如何定量度量不確定性？

6、形式邏輯：如何實現抽象推理？

7、線性代數：如何將研究對象形式化？