人工智能要学什么

人工智能领域需要学习的知识非常多，以下列举一些主要的方向和技能：

1.数学基础：包括高等数学、线性代数、概率论与统计等数学知识，这些知识是机器学习、深度学习等技术的基础。

2.编程语言：需要掌握至少一种编程语言，如Python、Java等，能够编写程序实现机器学习、自然语言处理等算法。

3.机器学习：机器学习被认为是人工智能的核心技术之一，需要熟悉各种常见的算法，如决策树、支持向量机、神经网络等。

4.深度学习：深度学习是机器学习的一个分支，需要掌握神经网络的原理、常见的网络结构等。

5.自然语言处理：自然语言处理是人工智能中的一个重要领域，需要了解自然语言处理的基本概念，如词法分析、句法分析、信息提取等技术。

6.计算机视觉：计算机视觉是指让计算机理解和分析图像和视频的技术，需要掌握图像识别、目标检测等算法。

7.数据处理：人工智能需要大量的数据作为支撑，需要掌握数据预处理、数据清洗、数据挖掘等技术。

总之，人工智能是一个涉及多个学科的综合性领域，需要学习的知识非常多，这需要不断的学习和实践。

1、机器学习中的Python：Python环境搭建与其基础语法的学习，熟悉列表元组等基础概念与python函数的形式，Python的IO操作，Python中类的使用介绍，python使用实例讲解机器学习领域的经典算法、模型及实现的任务等，同时学习搭建和配置机器学习环境，并学会用线性回归解决一个实际问题。

2、人工智能数学基础：熟悉数学中的符号表示，理解函数求导以及链式求导法则，理解数学中函数的概念，熟悉矩阵相关概念以及数学表示。将数学概念与程序基础联系起来；梯度下降实例讲解；

3、机器学习概念与入门：了解人工智能中涉及到的相关概念。了解如何获取数据以及特征工程。熟悉数据预处理方法。理解模型训练过程。熟悉pandas的使用。了解可视化过程；Panda使用讲解；图形绘制；

4、机器学习的数学基础-数学分析：掌握和了解人工智能技术底层数学理论支撑；概率论，矩阵和凸优化的介绍，相应算法设计和原理；凸优化理论，流优化手段 SGD，牛顿法等优化方法。

5、深度学习框架TensorFlow：了解及学习变量作用域与变量命名。搭建多层神经网络并完成优化。）正则化优化神经网络。梯度问题与解决方法。

6、算法：掌握常用分类算法：KNN、SVM、NaiveBayes、Bagging、Boosting。熟悉分类算法调参关键参数。掌握不同分类算法的过拟合、欠拟合情景与调优。掌握集成学习调优。通过实例对于调参过程进行深入理解.了解不同算法的共性与个性。

7、深度学习：利用TensorFlow构建RNN网络，熟悉文本向量化过程，完成RNN网络的训练过程，理解文本生成过程，理解RNN与前馈神经网络的区别与联系。

8、实用项目：通过一些实际项目来综合运用所学到的各类知识。

当然以上只是人工智能培训中需要学习课程的一部分，更多的是需要根据学员自己的知识储备去选择性学习课程。