人工智能用什么写?人工智能怎么学习?

当然可以自学。人工智能作为新时代科学飞速发展的产物之一，他的出现极大的便利了人们的生活，提高了人们对生活的体验。作为新兴的产业之一，会有很多小伙伴对其产生浓厚的兴趣，那么今天就让我们来讲讲如何学习人工智能，顺便分享几个学习人工智能的网站以供大家参考。

首先，人工智能属于计算机的一个分支，他是科技发展的重要产物，同样也是科技强大的体现。如果决定想要学习人工智能，当然不论是学任何东西。第一步就是要先了解你所要学习的具体是什么东西。就拿人工智能来举例，我们要先了解这一领域以及一些相关的基础知识。

一、人工智能是什么？

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。当我们在了解了基础的知识后我们还要对其进行下一步定义，就是我们为什么要去学习这项专业也就是我们要拿他去干什么？也就是明确目的性。

人工智能

你的目的是什么？是想要做基础的学术研究、比较感兴趣简单的进行了解还是说当成一个具体的就业方向，然后想明白这个问题我们再去根据他来进行有重点地去学习这项专业。像人工智能他的方向可能会有很多例如：机器翻译，智能控制，专家系统，机器人学，语言和图像理解，遗传编程机器人工厂，自动程序设计，航天应用，庞大的信息处理，储存与管理，执行化合生命体无法执行的或复杂或规模庞大的任务等等。

选择相关的带着目的地去进行学习，这样是最有效率的。

好了，接下来由我来分享几个有关学习人工智能的网站

网站一：美国人工智能协会（网址： http://www.aaai.org/ ）

美国人工智能协会官网

作为美国一个非盈利性的科学社团组织，主要致力于让机器产生智慧思考和智能行为的研究。此外，提升公众对人工智能的理解，对人工智能实践人员的教学和培训，为人工智能领域的研究者和投资者提供指导等也都是AAAI的实践内容。

网站二：智能代理家园(Agentland 网址： http://www.agentland.com/ ）

智能代理家园(官网

智能代理是人工智能的应用领域之一，在中学人工智能课程教学中，适当介绍智能代理的基本概念和工作原理，并让学生与智能代理实例进行交互操作，能使其不但感受到智能代理的智慧和人性化服务，并且将由对智能代理的亲身体验，而产生对人工智能课程学习的浓厚兴趣。PS：可以当作入门学习的基础。

好了以上就是对人工智能的基本了解与自学方法，感兴趣的小伙伴可以去学习一下。

1. 寻找一些免费的书籍。

Shival Gupta分享自己初学AI的经验时，强调了熟悉基本AI术语和方法的重要性。寻找一些免费的AI书籍作为自己学习人工智能的开始，是正确的做法。

Peter Norvig和Stuart J. Russell所著的《Artificial Intelligence: A Modern Approach》一书就很不错。本书不仅介绍了基本的人工智能概念和算法（专家系统、深度优先和广度优先搜索、知识表示等），而且还包括基础知识如贝叶斯推理，一阶逻辑，语言建模等。

对于那些对深度学习感兴趣的人， Ian Goodfellow、Yoshua Bengio和Aaron Courville 所写的《深度学习》（自适应计算和机器学习系列）一书是不错的选择。
此外，可以看看《Logic For Computer Science》这本免费书，它解释了计算机科学的数学逻辑，并强调了求解证明的算法方法。

2.熟悉Python，（C / C ++）和数据结构。

人工智能从业者相信，任何主流语言和非主流语言都能应用于AI / ML。最大的区别在于库/工具的性能和可用性。

例如，C++的所有设置都优于Java或Python，并帮助开发人员最大化硬件的功能。另一方面，Python有一个非常好的FFI，并且经常与C或C++结合使用。与此同时，Octave / MATLAB、R、Python、C++、Java、R和其他一些语言都有高质量的库，如何使用取决于你想要做什么。

一般的共识是，必须熟悉一些流行的语言，如Python，它有一个很好的工具箱/库。

人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。

技术研究

用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。

人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

“人工智能”的英语是：artificial intelligence。

重点词汇解释

intelligence　

英 [ɪn’telɪdʒəns]  美 [ɪn’telɪdʒəns] 　 　

n. 智力；理解力

n. 情报；情报工作；情报机关

例句：She’s the equal of her brother as far as intelligence is concerned.

翻译：论智力，她和她哥哥不相上下。

短语：use one’s intelligence 动脑筋

近义词

comprehension　　

英 [ˌkɒmprɪ’henʃn]   美 [ˌkɑːmprɪ’henʃn] 　 　

n. 理解；理解力；领悟能力

例句：It is above comprehension.

翻译：那是难于理解的。

短语：nod comprehension 点头表示领悟

从事人工智能，需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。

需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法;当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM;总之算法很多需要时间的积累。

需要掌握至少一门编程语言：毕竟算法的实现还是要编程的;如果深入到硬件的话，一些电类基础课必不可少。有的还会需要了解域名比如com、top等等。

第一步：复习线性代数。（学渣的线代忘了好多-_-||）

懒得看书就直接用了著名的——麻省理工公开课：线性代数，深入浅出效果拔群，以后会用到的SVD、希尔伯特空间等都有介绍；

广告：边看边总结了一套笔记 GitHub – zlotus/notes-linear-algebra: 线性代数笔记。

第二步：入门机器学习算法。

还是因为比较懒，也就直接用了著名的——斯坦福大学公开课 ：机器学习课程，吴恩达教授的老版cs229的视频，讲的非常细（算法的目标->数学推演->伪代码）。这套教程唯一的缺点在于没有介绍最近大火的神经网络，但其实这也算是优点，让我明白了算法都有各自的应用领域，并不是所有问题都需要用神经网络来解决；

多说一点，这个课程里详细介绍的内容有：一般线性模型、高斯系列模型、SVM理论及实现、聚类算法以及EM算法的各种相关应用、PCA/ICA、学习理论、马尔可夫系列模型。课堂笔记在：CS 229: Machine Learning (Course handouts)，同样非常详细。

广告：边看边总结了一套笔记 GitHub – zlotus/notes-LSJU-machine-learning: 机器学习笔记

第三步：尝试用代码实现算法。

依然因为比较懒，继续直接使用了著名的——机器学习 | Coursera ，还是吴恩达教授的课程，只不过这个是极简版的cs229，几乎就是教怎么在matlab里快速实现一个模型（这套教程里有神经网络基本概念及实现）。这套课程的缺点是难度比较低，推导过程非常简略，但是这也是它的优点——让我专注于把理论转化成代码。

广告：作业参考 GitHub – zlotus/Coursera_Machine_Learning_Exercises: Machine Learning by Andrew Ng from Coursera

第四步：自己实现功能完整的模型——进行中。

还是因为比较懒，搜到了cs231n的课程视频 CS231n Winter 2016 – YouTube ，李飞飞教授的课，主讲还有Andrej Karpathy和Justin Johnson，主要介绍卷积神经网络在图像识别/机器视觉领域的应用（前面神经网络的代码没写够？这门课包你嗨到爆~到处都是从零手写~）。这门课程的作业就更贴心了，直接用Jupyter Notebook布置的，可以本地运行并自己检查错误。主要使用Python以及Python系列的科学计算库（Scipy/Numpy/Matplotlib）。课堂笔记的翻译可以参考 智能单元 – 知乎专栏，主要由知友杜客翻译，写的非常好~

在多说一点，这门课对程序员来说比较走心，因为这个不像上一步中用matlab实现的作业那样偏向算法和模型，这门课用Python实现的模型同时注重软件工程，包括常见的封装layer的forward/backward、自定义组合layer、如何将layer组成网络、如何在网络中集成batch-normalization及dropout等功能、如何在复杂模型下做梯度检查等等；最后一个作业中还有手动实现RNN及其基友LSTM、编写有助于调试的CNN可视化功能、Google的DeepDream等等。（做完作业基本就可以看懂现在流行的各种图片风格变换程序了，如 cysmith/neural-style-tf）另外，这门课的作业实现非常推崇computational graph，不知道是不是我的幻觉……要注意的是讲师A.K的语速奇快无比，好在YouTube有自动生成解说词的功能，准确率还不错，可以当字幕看。

广告：作业参考 GitHub – zlotus/cs231n: CS231n Convolutional Neural Networks for Visual Recognition (winter 2016) （我的在作业的notebook上加了一些推导演算哦~可以用来参考:D）