人工智能的方向比较宽，无论是核算机视觉，自然言语处理，语音辨认仍是机器学习，都是十分大的研讨方向。最好仍是挑选一两个研讨方向进行研讨，然后拓展自己的常识面。
深度学习是近些年的抢手方向之一，无论是在核算机视觉，自然言语处理都有着丰厚的运用场景。深度学习是以高等数学，线性代数，概率论等课程作为数学根底的，因而在了解深度学习之前，有必要先学习或许温习一些数学上的根底常识。
《深度学习》这本书的作者是Ian Goodfellow、Yoshua Bengio 和 Aaron Courville三位大牛。这本书的中文版于 2017 年 7 月 22 号上市。该书由许多译者协力完结。《深度学习》这本书从浅入深介绍了根底数学常识、机器学习经历以及现阶段深度学习的理论和开展，不管是人工智能技能爱好者，仍是相关从业人员运用这本书都是十分有优点的。别的，读者假如想了解一些数学常识，本书也做了一些介绍，包含矩阵，导数等根本内容。读者可以从头读到尾。《深度学习》这本书的一大特色是介绍深度学习算法的实质，脱离详细代码完成给出算法背面的逻辑，不写代码的人也完全可以看。为了便利读者阅览，作者特别制作了本书的内容安排结构图，指出了全书20章内容之间的相关联系。读者可以依据自己的布景或需求，随意挑选阅览。
除此之外，还有一本书《着手学深度学习》。本书旨在向读者交给有关深度学习的交互式学习体会。书中不只论述深度学习的算法原理，还演示它们的完成和运转。与传统图书不同，本书的每一节都是一个可以下载并运转的 Jupyter 记事本，它将文字、公式、图画、代码和运转成果结合在了一同。此外，读者还可以拜访并参加书中内容的评论。
全书的内容分为 3 个部分：榜首部分介绍深度学习的布景，供给准备常识，并包含深度学习根底的概念和技能；第二部分描绘深度学习核算的重要组成部分，还解说近年来令深度学习在多个范畴大获成功的卷积神经网络和循环神经网络；第三部分点评优化算法，查验影响深度学习核算功用的重要因素，并别离罗列深度学习在核算机视觉和自然言语处理中的重要运用。
本书一起掩盖深度学习的办法和实践，首要面向在校大学生、技能人员和研讨人员。阅览本书需求读者了解根本的Python编程或附录中描绘的线性代数、微分和概率根底。
假如觉得数学常识不太够，可以看这一本《深度学习的数学》。本书依据丰厚的图示和详细示例，浅显易懂地介绍了深度学习相关的数学常识。第1章介绍神经网络的概略；第 2 章介绍了解神经网络所需的数学根底常识；第 3 章介绍神经网络的优化；第 4 章介绍神经网络和差错反向传达法；第 5 章介绍深度学习和卷积神经网络。书中运用 Excel 进行理论验证，协助读者直观地体会深度学习的原理。
假如想温习一些数学课程，可以读一些数学方面的根底课，例如微积分，线性代数，概率论等课程。程序员直接阅览数学书或许会比较单调，可是有人贴心肠针对程序员撰写了相应的数学书本。
《程序员的数学 第2版》面向程序员介绍了编程中常用的数学常识，借以培育初级程序员的数学思想。读者无须通晓编程，也无须通晓数学，只需具有四则运算和乘方等根底常识，即可阅览本书。本书讲解了二进制计数法、逻辑、余数、排列组合、递归、指数爆破、不行解问题等许多与编程密切相关的数学办法，剖析了哥尼斯堡七桥问题、高斯求和、汉诺塔、斐波那契数列等经典问题和算法。引导读者深化了解编程中的数学办法和思路。
《程序员的数学2：概率核算》触及随机变量、贝叶斯公式、离散值和接连值的概率散布、协方差矩阵、多元正态散布、估量与查验理论、伪随机数以及概率论的各类运用，合适程序规划人员与数学爱好者阅览，也可作为高中或大学非数学专业学生的概率论入门读物。
《程序员的数学3：线性代数》本书用浅显的言语和具象的图表深化讲解了编程中所需的线性代数常识。内容包含向量、矩阵、行列式、秩、逆矩阵、线性方程、LU分化、特征值、对角化、Jordan标准型、特征值算法等。
除了深度学习之外，机器学习方面的常识点也是十分有必要了解和把握的。机器学习是核算机科学与人工智能的重要分支范畴。周志华教师的《机器学习》这本书作为该范畴的入门教材，在内容上包含机器学习根底常识的许多方面。全书共 16 章，大致分为 3 个部分：第 1 部分（第 1～3 章）介绍机器学习的根底常识；第 2 部分（第 4～10 章）评论一些经典而常用的机器学习办法（决策树、神经网络、支撑向量机、贝叶斯分类器、集成学习、聚类、降维与衡量学习）；第 3 部分（第 11～16 章）为进阶常识，内容触及特征挑选与稀少学习、核算学习理论、半监督学习、概率图模型、规则学习以及强化学习等。
《核算学习办法（第二版）》全面体系地介绍了核算学习的首要办法，共分两篇。榜首篇体系介绍监督学习的各种重要办法，包含决策树、感知机、支撑向量机、很大熵模型与逻辑斯谛回归、推动法、多类分类法、EM算法、隐马尔科夫模型和条件随机场等；第二篇介绍无监督学习，包含聚类、奇特值、主成分剖析、潜在语义剖析等。
在学机器学习或许深度学习的时分，实战一直是一个重要的环节。《机器学习实战：依据Scikit-Learn和TensorFlow》本书作者 Aurélien Géron 曾经是谷歌工程师，在 2013 年至 2016 年，主导了YouTube的视频分类工程，具有丰厚的机器学习项目经历。作者的写作初衷是期望从实践动身，手把手地协助开发者从零开端搭建起一个神经网络。这也正构成了本书差异于其他机器学习教程的最重要的特质—不再倾向于原理研讨的视点，而是从开发者的实践视点动身，在着手写代码的过程中，按部就班地了解机器学习的理论常识和东西的实践技巧。关于想要快速上手机器学习的开发者来说，本书是一个十分值得测验的起点项目。
其时学过梅加强教师的数学剖析课程。《高等学校教材：数学剖析》内容丰厚，言语精粹，特别注意理论与运用相结合，古典剖析办法与现代剖析办法相结合。全书共分十六章，可供三学期教育之用。假如是温习的话可以挑选其间的一些章节进行阅览，然后查缺补漏。
数学剖析是数学系的重要课程之一，而一上手很或许便是实数系的几个重要定理，以及它们之间的等价性推导。侧重理论的证明和推导，一般都是一个定理就好几页的证明。例如 Rudin 的《数学剖析原理》和其他的高等数学教材就有十分显着的差异，这本书愈加重视数学思想的培育，数学定理的推导，核算方面的话则相对没有那么多。外系的学生或许阅览起来有些困难，因而仍是主张先阅览部分中文书本，再依据实际情况来看是否需求阅览《数学剖析原理》。
而数理核算是核算系的中心课程之一，在机器学习范畴相同有着十分重要的效果。《核算学》这本书将理论和运用相结合，把数理核算的根本理论概念整合为一门核算办法的课程，是两个学期的课程。相同主张具有必定的数理根底之后再来阅览这本书。
一般来说，学习深度学习根底的时分，精读一本书即可，其他书用于辅佐和查缺补漏，然后就可以依据科研的方向和导师的要求来阅览论文和搞科研了。假如想要学习数学系的一些课程的话，可以先阅览一些工科方面的数学书，有时间的话再挑选一些数学的专业书本进行阅览。
弥补一点，假如对信号剖析算法比较熟，就有或许规划出更合适信号特色的机器学习模型。
例如，当处理含噪或高冗余信号时，可以将残差网络与软阈值化进行结合，结构残差缩短网络，进步含噪、高冗余信号上的特征提取才能。
线性代数最重要的部分是根本的运算（加减乘），高端的内容等用到了再补。要了解向量的点乘的运算和含义，由于这个是总是要用到的。线性独立的概念可以了解一下，这样学到必定程度再回来补根底，会简略些。
微积分最重要的是多元微积分的部分，特别要了解梯度这一概念，要了解它是什么，怎样算，代表的含义是什么。
然后核算机科学根底方面，贪心算法有用到但可以到了再学，其实没有什么要补的根底。
概率和核算方面，根本的概率要会，大概是求求一般的概率和条件概率,和了解贝叶斯规则。核算方面，可以无根底上手机器学习，但假如需求更深刻了解一些机器学习的内容，了解正态散布和拉普拉斯散布的界说即可。
言语方面，个人引荐python。其实它很简略，在写机器学习的代码时，很快就会了，比c 和java 等群众货都要简略。
然后就开端就可以开端学机器学习了。其实咱们需求我共享一些入门的算法吗？假如需求，我不介意试试写篇文章，乃至拍段视频共享给咱们。不过我想，只需有心的话，在网上肯定找的到要找的材料，乃至去大学里蹭课，也能学到这方面的常识。
作为一个文科生来答复这个问题，我认为先需求看一本入门书。引荐周志华教师的机器学习。
»在谷歌趋势上查找人工智能、大数据、机器学习、深度学习的中英文可以比对不同的重视走向。
»人工智能和大数据此消彼长，早在2004年人工智能就遭到中英文范畴的两层重视。在2006-2007年人工智能中文查找开端下降，大数据的概念开端火过于人工智能。
»深度学习在中文范畴的查找热度，一度在2009年和人工智能齐平。相反在英文范畴，深度学习的查找重视度直到2013年后才开端逐渐提高。
人工智能的最终目标是打造一个像大脑相同作业的体系。这是一个需求有微观规划的大项目，现在的办法便是盲人摸象，一个一个凑集起来的功用片段，是不行能盼望它们可以完成什么“智能”的。
咱们要扔掉现有的结构，由于它们是短视的做法，一种没有才智的表现。咱们要从了解大脑的作业原理着手，从功用层面、从体系架构层面了解大脑在处理信息方面的“奇特规划”，然后才能将大脑的运作原理运用到体系地规划真实的人工智能。
简略的界说便是：核算机从数据中学习出规则和形式，以运用在新数据上做猜测的使命。