人工智能、大數(shù)據(jù)這些新興"專業(yè)"，是隨著工業(yè)界與日俱增的需求而隨之出現(xiàn)的(中國最近批準了第一批試點的幾十所高校開設(shè)人工智能專業(yè))。其實任何專業(yè)都是這樣一個需求導向的過程，包括微電子，計算機，還有什么房地產(chǎn)專業(yè)，幾十年前可能根本不存在這些專業(yè)。
但是自然科學如數(shù)學、物理、化學、生物長盛不衰，是有其道理的，這也是為什么我們初高中我們都在學這些東西。
反之，某些專業(yè)，一定會隨著市場需求的銳減而減少甚至消失。
這些專業(yè)名詞在剛出現(xiàn)的時候往往是“憑空造詣”或者是強加術(shù)語，然而知識是需要積累的，每個新興專業(yè)都是建立在一些基礎(chǔ)科學的基礎(chǔ)上，這也是我下面的回答要強調(diào)的--學習人工智能非一朝一夕，而是要從最基本的數(shù)學基礎(chǔ)開始打好地基。
1.數(shù)學基礎(chǔ)
微積分(求導，極限)和線性代數(shù)(矩陣表示和運算)是基礎(chǔ)中的基矗
2.編程技能
人工智能任何模型和算法的實現(xiàn)，當然需要編程了，因此C/C++/Python任選一門(推薦Python，因為目前很多庫和Lipary都是用python封裝)。
數(shù)據(jù)結(jié)構(gòu)：建議學學，讓你編程更順手更高效。
算法：建議上，任何人工智能任何產(chǎn)品的Code都是無數(shù)算法的集合體。
數(shù)據(jù)庫：存儲數(shù)據(jù)，人工智能通常需要用到海量數(shù)據(jù)，因此如何更高效的存儲和管理以及調(diào)用數(shù)據(jù)，就顯得尤為重要。SQL等數(shù)據(jù)庫，以及Hardoop，Spark等并行計算的框架，是最近的熱點，推薦學習。
3.數(shù)學(統(tǒng)計、優(yōu)化、機器學習)模型和深度學習
概率論+統(tǒng)計：很多傳統(tǒng)機器學習模型基于統(tǒng)計模型。
線性規(guī)劃+凸優(yōu)化：或者只學一門叫numerical optimization，統(tǒng)計和人工智能，到最后幾乎都會歸結(jié)為求解一個優(yōu)化問題，當然也有純優(yōu)化模型不用統(tǒng)計模型的。
機器學習:其實傳統(tǒng)機器學習，通篇都是在講用一些統(tǒng)計和優(yōu)化來做聚類、分類和預(yù)測這三個人工智能最常見的應(yīng)用。
深度學習：卷積神經(jīng)網(wǎng)絡(luò)的復興掀起了深度學習席卷全球的號角，毫無疑問，它是目前人工智能的核心，必學!
學到這里，你基本就會發(fā)現(xiàn)，學這一門課中間會穿插著很多其他課的內(nèi)容。知識總是相通的嘛，特別是這些跨專業(yè)的新興學科，都是在以往學科的基礎(chǔ)上由社會需求發(fā)展而來。
