怎样开始学习人工智能

怎样开始逐步学习人工智能呢？网上查阅了蛮多的资料，做了一个简单的总结。

数学需要准备哪些内容：

线性代数 - 如何将研究对象结构化

概率论 - 如何描述统计规律

梳理统计 - 如何以小见大

最优化方法 - 如何找到最优解

信息论 - 如何定量的度量不确定性

形式逻辑 - 如何实现抽象推理

机器学习目的就是如何让计算机识别特征

线性回归 - 如何拟合线性模型

朴素贝叶斯分类 - 如何利用后验概率

逻辑回归 - 如何利用似然函数

决策树方法 - 如何利用信息增益

支持向量机 - 如何在特征空间上分类

集成学习 - 如何整合优化

聚类分析 - 如何实现无监督学习

降维学习 - 如何抓大放小

人工神经网络就是要如何模拟人类认知

基本单元 - 神经元和感知器，如何构建神经网络

多层感知器 - 如何解决复杂问题

前馈和反向传播 - 径向基函数神经网络，如何实现神经网络优化

自组织特征映射 - 如何使神经网络实现无监督学习

模糊神经网络 - 如何使神经网络实现逻辑功能

深度学习就是如何让神经网络物尽其用

深度前馈网络 - 如何实现最佳近似

深度学习中的正则化 - 如何抑制过拟合

深度学习优化 - 如何提高学习效率

自编码器 - 如何实现生成式建模

深度强化学习 - 如何实现从数据到决策

深度网络实例

深度信念网络 - 如何充分利用隐蔽单元

卷积神经网络 - 如何高效处理网络化数据

递归神经网络 - 如何高效处理序列数据

生成式对抗网络 - 如何让神经网络自行优化

长短期记忆神经网络 - 如何在神经网络中引入记忆

深度学习外的人工智能

贝叶斯网络 - 如何利用有向概率图

集群智能 - 如何让智能涌现

迁移学习 - 如何基于小数据学习

知识图谱

应用场景

计算机视觉

语音识别

对话系统

机器翻译