一、要怎么学习人工智能
人工智能是一个包含很多学科的交叉学科，你需要了解计算机的知识、信息论、控制论、图论、心理学、生物学、热力学，要有一定的哲学基础，有科学方法论作保障。人工智能学习路线最新版本在此奉上：
首先你需要数学基础：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；
其次需要算法的积累：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，比如你要让机器人自己在位置环境导航和建图就需要研究SLAM；
算法很多需要时间的积累。
然后，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，一些电类基础课必不可少；
人工智能一般要到研究生才会去学，本科也就是蜻蜓点水看看而已，毕竟需要的基础课过于庞大。
刚才提到的这些学科的每一门都是博大精深的，但同时很多事物都是相通的，你学了很多知识有了一定的基础的时候再看相关知识就会触类旁通，很容易。在这中间关键是要有自己的思考，不能人云亦云。毕竟，人工智能是一个正在发展并具有无穷挑战和乐趣的学科。
人工智能的首选语言是Python，因此大家一定要学好Python语言。人工智能学习的重点是机器学习：
1、斯坦福大学公开课 ：机器学习课程
2、数据分析竞赛kaggle
3、Deep learning-author Joshua Bengio
机器学习书单python实战编程
1、Python for Data Analysis
2、SciPy and NumPy
3、Machine Learning for Hackers
4、Machine Learning in Action
二、人工智能软件怎么去学习呢？
现在人工智能可以说是非常的火热，很多同学也想学习。但是刚开始时候总是会觉得比较迷茫，不知道如何开始学，也担心人工智能太难，自己可能学不会。其实不用太担心，因为人工智能入门其实并不难。这篇文章对如何去学习人工智能，给出一些建议。
学习AI的大致步骤：
（1）了解人工智能的一些背景知识；
（2）补充数学或编程知识；
（3）熟悉机器学习工具库；
（4）系统的学习AI知识；
（5）动手去做一些AI应用；
三、人工智能都学习哪些方面的知识
首先基础知识方面，线性代数和微积分是少不了的。其中：
线性代数最重要的部分是基本的运算（加减乘），高端的内容等用到了再补。要熟悉向量的点乘的运算和意义，因为这个是总是要用到的。线性独立的概念可以了解一下，这样学到一定程度再回来补基础，会容易些。
微积分最重要的是多元微积分的部分，特别要理解梯度这一概念，要明白它是什么，怎么算，代表的意义是什么。
然后计算机科学基础方面，贪心算法有用到但可以到了再学，其实没有什么要补的基础。
概率和统计方面，基本的概率要会，大概是求求普通的概率和条件概率,和了解贝叶斯定律。统计方面，可以无基础上手机器学习，但如果需要更深刻理解一些机器学习的内容，了解正态分布和拉普拉斯分布的定义即可。
语言方面，个人推荐python。其实它很简单，在写机器学习的代码时，很快就会了，比c 和java 等大众货都要简单。
然后就开始就可以开始学机器学习了。其实大家需要我分享一些入门的算法吗？如果需要，我不介意试试写篇文章，甚至拍段视频分享给大家。不过我想，只要有心的话，在网上绝对找的到要找的资料，甚至去大学里蹭课，也能学到这方面的知识。
四、本科生怎么自学机器学习
知乎上回答了一个，我觉得很好，转给你吧
分听课和看书两个部分来说：
入门：
视频可以看coursera上Andrew Ng的machine learning课
书国内的可以看李航的统计学习方法，综合了老外的基本ML经典，写得浅显易懂，书也比较薄，好读，学习曲线不会太陡。国外的建议先看pattern classification，较其他的简单一些。
进阶：
视频的话可以看看coursera上的一些数值计算和最优化课程
书老外的大部头多了，经典的比如PRML（patten recognition and machine learning），elements fo statistical learning（此书虽名叫基础，实则十分艰深难读，不推荐初学者学习）。这两本都能读完且读懂了，那是看最前沿的ml的paper也不会发怵了
五、机器学习需要哪些数学基础
我们知道，机器学习涉及到很多的工具，其中最重要的当属数学工具了，因此必要的数学基础可谓是打开机器学习大门的必备钥匙。机器学习涉及到的数学基础内容包括三个方面，分别是线性代数、概率统计和最优化理论。下面小编就会好好给大家介绍一下机器学习中涉及到的数学基础知道，让大家在日常的机器学习中可以更好地运用数学工具。
首先我们给大家介绍一下线性代数，线性代数起到的一个最主要的作用就是把具体的事物转化成抽象的数学模型。不管我们的世界当中有多么纷繁复杂，我们都可以把它转化成一个向量，或者一个矩阵的形式。这就是线性代数最主要的作用。所以，在线性代数解决表示这个问题的过程中，我们主要包括这样两个部分，一方面是线性空间理论，也就是我们说的向量、矩阵、变换这样一些问题。第二个是矩阵分析。给定一个矩阵，我们可以对它做所谓的SVD分解，也就是做奇异值分解，或者是做其他的一些分析。这样两个部分共同构成了我们机器学习当中所需要的线性代数。
然后我们说一下概率统计，在评价过程中，我们需要使用到概率统计。概率统计包括了两个方面，一方面是数理统计，另外一方面是概率论。一般来说数理统计比较好理解，我们机器学习当中应用的很多模型都是来源于数理统计。像最简单的线性回归，还有逻辑回归，它实际上都是来源于统计学。在具体地给定了目标函数之后，我们在实际地去评价这个目标函数的时候，我们会用到一些概率论。当给定了一个分布，我们要求解这个目标函数的期望值。在平均意义上，这个目标函数能达到什么程度呢？这个时候就需要使用到概率论。所以说在评价这个过程中，我们会主要应用到概率统计的一些知识。
最后我们说一下最优化理论，其实关于优化，就不用说了，我们肯定用到的是最优化理论。在最优化理论当中，主要的研究方向是凸优化。凸优化当然它有些限制，但它的好处也很明显，比如说能够简化这个问题的解。因为在优化当中我们都知道，我们要求的是一个最大值，或者是最小值，但实际当中我们可能会遇到一些局部的极大值，局部的极小值，还有鞍点这样的点。凸优化可以避免这个问题。在凸优化当中，极大值就是最大值，极小值也就是最小值。但在实际当中，尤其是引入了神经网络还有深度学习之后，凸优化的应用范围越来越窄，很多情况下它不再适用，所以这里面我们主要用到的是无约束优化。同时，在神经网络当中应用最广的一个算法，一个优化方法，就是反向传播。
