人工智能、大數(shù)據(jù)這些新興"專(zhuān)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(guó)最近批準(zhǔn)了第一批試點(diǎn)的幾十所高校開(kāi)設(shè)人工智能專(zhuān)業(yè))。其實(shí)任何專(zhuān)業(yè)都是這樣一個(gè)需求導(dǎo)向的過(guò)程，包括微電子，計(jì)算機(jī)，還有什么房地產(chǎn)專(zhuān)業(yè)，幾十年前可能根本不存在這些專(zhuān)業(yè)。
但是自然科學(xué)如數(shù)學(xué)、物理、化學(xué)、生物長(zhǎng)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(xué)這些東西。
反之，某些專(zhuān)業(yè)，一定會(huì)隨著市場(chǎng)需求的銳減而減少甚至消失。
這些專(zhuān)業(yè)名詞在剛出現(xiàn)的時(shí)候往往是“憑空造詣”或者是強(qiáng)加術(shù)語(yǔ)，然而知識(shí)是需要積累的，每個(gè)新興專(zhuān)業(yè)都是建立在一些基礎(chǔ)科學(xué)的基礎(chǔ)上，這也是我下面的回答要強(qiáng)調(diào)的--學(xué)習(xí)人工智能非一朝一夕，而是要從最基本的數(shù)學(xué)基礎(chǔ)開(kāi)始打好地基。
1.數(shù)學(xué)基礎(chǔ)
微積分(求導(dǎo)，極限)和線性代數(shù)(矩陣表示和運(yùn)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(shí)現(xiàn)，當(dāng)然需要編程了，因此C/C++/Python任選一門(mén)(推薦Python，因?yàn)槟壳昂芏鄮?kù)和Lipary都是用python封裝)。
數(shù)據(jù)結(jié)構(gòu)：建議學(xué)學(xué)，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(wú)數(shù)算法的集合體。
數(shù)據(jù)庫(kù)：存儲(chǔ)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(chǔ)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(kù)，以及Hardoop，Spark等并行計(jì)算的框架，是最近的熱點(diǎn)，推薦學(xué)習(xí)。
3.數(shù)學(xué)(統(tǒng)計(jì)、優(yōu)化、機(jī)器學(xué)習(xí))模型和深度學(xué)習(xí)
概率論+統(tǒng)計(jì)：很多傳統(tǒng)機(jī)器學(xué)習(xí)模型基于統(tǒng)計(jì)模型。
線性規(guī)劃+凸優(yōu)化：或者只學(xué)一門(mén)叫numerical optimization，統(tǒng)計(jì)和人工智能，到最后幾乎都會(huì)歸結(jié)為求解一個(gè)優(yōu)化問(wèn)題，當(dāng)然也有純優(yōu)化模型不用統(tǒng)計(jì)模型的。
機(jī)器學(xué)習(xí):其實(shí)傳統(tǒng)機(jī)器學(xué)習(xí)，通篇都是在講用一些統(tǒng)計(jì)和優(yōu)化來(lái)做聚類(lèi)、分類(lèi)和預(yù)測(cè)這三個(gè)人工智能最常見(jiàn)的應(yīng)用。
深度學(xué)習(xí)：卷積神經(jīng)網(wǎng)絡(luò)的復(fù)興掀起了深度學(xué)習(xí)席卷全球的號(hào)角，毫無(wú)疑問(wèn)，它是目前人工智能的核心，必學(xué)!
學(xué)到這里，你基本就會(huì)發(fā)現(xiàn)，學(xué)這一門(mén)課中間會(huì)穿插著很多其他課的內(nèi)容。知識(shí)總是相通的嘛，特別是這些跨專(zhuān)業(yè)的新興學(xué)科，都是在以往學(xué)科的基礎(chǔ)上由社會(huì)需求發(fā)展而來(lái)。
