一、对人工智能很感兴趣，打算学习，请问需要什么数学基础？
好吧。。之前两个回答明显是Copy过来的。。。但讲的大概是对的。。。
目前国内比较热门的应该有机器学习(ML)，数据挖掘(DM)，自然语言处理(NLP)，这些方向国内还是比较强的，因为不依赖硬件，纯理论和软件。其他方向比如智能机器人，生物智能，这些比较依赖硬件实力，国内相对较弱，欧美日这些方面比较强。看以后是准备在国内还是国外发展而定(当然外国ML,DM,NLP也很强。。只是国内相对来说比较好。。)
有一点是肯定的，绝大部分理工科，数学都是要求非常高的。。。当然我说的是研究，如果是做AI方向的程序员的话，要求不是很高。。。AI的所有方向都会用到线性代数，概率论。 至于楼上说的什么离散数学，微积分，用是用的到 不过并不是非常难，因为他们只是基础 某个函数你知道怎么积分就行了，没有太多难处。。切身感觉是，概率论非常非常重要，基本上人工智能里面的“智能”就靠概率来实现。。。。（生物智能不是很了解 不过也应该是差不多）
二、学习人工智能需要哪些基础？
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。数学基础知识蕴含着处理智能问题的基本思想与方法，也是理解复杂算法的必备要素。今天的种种人工智能技术归根到底都建立在数学模型之上，要了解人工智能，首先要掌握必备的数学基础知识。线性代数将研究对象形式化，概率论描述统计规律。
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，比如要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累。
需要掌握至少一门编程语言，比如C语言，MATLAB之类。毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少。
三、人工智能需要学习哪些数学知识
分布，KL距离等再往后面延伸还有信息论等内容它是更实用理论的基础。
5.最优化
在简单基础的应用场景下，我们希望机器学习能很好的对于事物有个归纳总结的能力，所以训练学习的过程有点像一个拟合过程，不用的应用场景对不同的目标进行优化所以肯定是基础再上一层所要具备的数学素养
6.凸优化
更进一步的优化应用
7. 组合数学
这是计算机行业的基本功
8.具体数学
一本书叫这个名字，同样应该作为通用计算机类数学基本功
9.时间序列分析
10.随机过程
四、人工智能的研究价值
例如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。
通常，“机器学习”的数学基础是“统计学”、“信息论”和“控制论”。还包括其他非数学学科。这类“机器学习”对“经验”的依赖性很强。计算机需要不断从解决一类问题的经验中获取知识，学习策略，在遇到类似的问题时，运用经验知识解决问题并积累新的经验，就像普通人一样。我们可以将这样的学习方式称之为“连续型学习”。但人类除了会从经验中学习之外，还会创造，即“跳跃型学习”。这在某些情形下被称为“灵感”或“顿悟”。一直以来，计算机最难学会的就是“顿悟”。或者再严格一些来说，计算机在学习和“实践”方面难以学会“不依赖于量变的质变”，很难从一种“质”直接到另一种“质”，或者从一个“概念”直接到另一个“概念”。正因为如此，这里的“实践”并非同人类一样的实践。人类的实践过程同时包括经验和创造。
这是智能化研究者梦寐以求的东西。
2013年，帝金数据普数中心数据研究员S.C WANG开发了一种新的数据分析方法，该方法导出了研究函数性质的新方法。作者发现，新数据分析方法给计算机学会“创造”提供了一种方法。本质上，这种方法为人的“创造力”的模式化提供了一种相当有效的途径。这种途径是数学赋予的，是普通人无法拥有但计算机可以拥有的“能力”。从此，计算机不仅精于算，还会因精于算而精于创造。计算机学家们应该斩钉截铁地剥夺“精于创造”的计算机过于全面的操作能力，否则计算机真的有一天会“反捕”人类。
当回头审视新方法的推演过程和数学的时候，作者拓展了对思维和数学的认识。数学简洁，清晰，可靠性、模式化强。在数学的发展史上，处处闪耀着数学大师们创造力的光辉。这些创造力以各种数学定理或结论的方式呈现出来，而数学定理最大的特点就是：建立在一些基本的概念和公理上，以模式化的语言方式表达出来的包含丰富信息的逻辑结构。应该说，数学是最单纯、最直白地反映着（至少一类）创造力模式的学科。
