学人工智能，为什么要先学数学？

因为人工智能的基础是算法，算法的基础是数学。

不过其实并不一定，现在社会讲分工，同样，人工智能也是讲分工的，简单的可以分为算法工程师和应用工程师

#算法工程师

解释下，什么是算法，通俗点讲，算法是就解决问题的方法，简单的比如说，给你一堆数据，然后让你找出最小的，或者让你把它们排序下。

当然，人工通知的算法没有这么简单。

如果你学过吴恩达的人工智能深度学习课程的话，他那边是从基础讲起来，我记得有一章，开始讲微积分，说你没有学过也没关系，只需要了解下什么是微积分，怎么用微积分，微积分是用来干啥的，就可以了。

不过那是入门教程，如果你要学习人工智能，最好还是一边学习一边把相关的数学基础补充完整。

我拿深度学习为例，比如你在学习神经网络的时候，会讲到向量化和矩阵相乘，这个是基础，就是来做神经网络的，如果你连什么是向量和矩阵相乘是什么都不懂，那就没必要往下再学了。

而后面做逻辑回归偏导数计算的时候，你不懂微积分，那你怎么理解这个公式？没有函数的概念，怎么学习激活函数？更不用说什么梯度下降了。

这些都是基础的基础，还不涉及后面的优化。真到后面，要对算法进行优化的时候，那怎么办？

所以算法工程师，都是需要高深的数学基础的。

#应用工程师

如果你说，我就是不需要做算法，我做应用，可以了吧。对，应用工程师，基本上就不怎么用写算法了，一般直接用一些算法的库，直接进行应用操作就可以了，不过，基础是，他们至少得知道一些简单的数学。

因为应用工程师，最少也是个程序员，程序员的基础是编程逻辑，而编程逻辑的基础还是数学。只是不需要算法工程师那么高深就是了。

#结论

你可以不用会数学，结果就是，你做不了人工智能领域的算法工程师。

因为语文也行

是的呀，重点是对目标函数的理解

百战程序员IT问题专业解答

首先需要明白，不是学人工智能要求数学，而是想学好人工智能需要数学。

人工智能领域，对于随便学学，入门级，和普通级别对数学的要求并不是很高。

现在学习人工智能的人多数都是调用各方的开源库，比如TF，pytorch，keras，caffe，这些库的使用多数人都能够学会，很多人甚至是调用别人写好的开源项目。

而真正需要数学的是，搞懂人工智能，例如你想做一个项目，然而目前开源的框架无法满足你的要求，你需要自己搭建模型，这里开始需要你具有高水平的数学。这样你才能建立自己的数学模型，然后不断的修改，找到合适的模型结构。

在人工智能领域，主要数学知识，线性代数，微积分，概率论等，人工智能的卷积神经网络，循环神经网络等一系列的网络都需要掌握数学。当然并不是数学厉害的人就一定能学好人工智能，人工智能是理论与实践结合的领域，也就是理论知识和写代码的能力。如果你想真正学好人工智能那么数学自然是不可少的，同事实践能力也是必须的。

其实，更重要的是英语

学习数学很重要的。

不论你搞什么，都会用到数学。

你比如日常生活买点东西，你要用到。

你就去开个车，加个油都会用到的。

数学是基础的学科。

他是用来搞计算的。人工智能你要分析把，那就得用计算。

况且你要分析，你的分析就是计算呀。这就是数学呀。

总之，数学搞得事情很多的。学好他对你是有好处的。

总之，一切都会好起来。

个人意见，仅供参考。

据我所知，人工智能牵扯数据和算法，而数据和算法属于数学知识，所以想学习人工智能，数学必须打好坚实的基础。

数学是人工智能算法的基础

因为人工智能，背后需要一些模式识别与算法支持。涉及到算法，就涉及到数学，例如傅里叶变换，聚类分析，欧式距离，贝叶斯转换等等。

智能的背后，是对大量数据的采集和分析，离不开数学计算。

很好理解应为只要是用到电脑的东西数学是必须的

尽管人工智能是一门交叉学科，涉及数学，经济，情感的领域，但人工智能技术需要三个基础技术，分别是大数据，算法，算力，尤其前两个，都是建立在数学，统计学，概括，应用数学基础上，需要很深的基础学科知识，才能去理解和优化现有的算法，从而建立更好的数学模型，并通过大数据进行统计，分类分析，才能发挥人工智能的价值。

需要必备知的知识有:

1、线性代数：如何将研究对象形式化？

2、概率论：如何描述统计规律？

3、数理统计：如何以小见大？

4、最优化理论：如何找到最道优解？

5、信息论：如何定量度量不确定性？

6、形式逻辑：如何实现抽象推理？

7、线性代数：如何将研究对象形式化？

人工智能简介:

1、人工智能（ArtificialIntelligence），英文缩写为AI。

2、它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新回的技术科学。

人工智能涉及的学科:

哲学和认知科学，数学，神经生理学，心理答学，计算机科学，信息论，控制论，不定性论，仿生学，社会结构学与科学发展观。

首先需要明晚，不是学人工智能要求数学，而是想学好人工智能需要数学。

人工智能领域，对于随便学学，入门级，和普通级别对数学的要求并不是很高。

现在学习人工智能的人多数都是调用各方的开源库，比如TF，pytorch，keras，caffe，这些库的使用多数人都能够学会，很多人甚至是调用别人写好的开源项目。

而真正需要数学的是，搞懂人工智能，例如你想做一个项目，然而目前开源的框架无法满足你的要求，你需要自己搭建模型，这里开始需要你具有高水平的数学。这样你才能建立自己的数学模型，然后不断的修改，找到合适的模型结构。

在人工智能领域，主要数学知识，线性代数，微积分，概率论等，人工智能的卷积神经网络，循环神经网络等一系列的网络都需要掌握数学。当然并不是数学厉害的人就一定能学好人工智能，人工智能是理论与实践结合的领域，也就是理论知识和写代码的能力。如果你想真正学好人工智能那么数学自然是不可少的，同事实践能力也是必须的。

人工智能其实包括很多领域学科，机械，电气，计算机，液压，材料，控制等等工程学科。是一门综合性学科，跨界要素很多。这些工程学科都完全建立在数学基础学科之上。公式计算，线性规划，曲线拟合，优化参数，等等都需要数学知识去解答。所以学人工智能要先学好数学。

数学是基础学科，人工智能的算法、模型等都是建立在数学等基础学科之上，如果只是做做人工智能的应用开发，不用太多学数学，使用人工智能现成的应用、接口就行，门槛非常非常低，但如果要做人工智能的底层开发，和算法模型相关的就要有深厚的数学基础了。

根据《人工智能影响力报告》显示：

人工智能科学家主要毕业于清华大学、中国科学院、中国科技大学、麻省理工大学、北京大学等知名学校，学历上看，73%的人工智能科学家都拥有博士学历，可见人工智能领域是高端人士的聚集地，普通人根本玩不了，你有没有惧怕人工智能的高门槛？

学习人工智能需要具备最最最总要的是学习态度和学习能力，毕竟是前沿科学行业，其次才是数学知识和编程能力，数学知识如果你是做学问做算法突破，那么对于你的数学能力要求是相当高的，如果是做工程等，数学这块要求并不高，大概大专文化水平就行。而编程能力是后面长期累积的，这个不是必要条件

首先要掌握必备的数学基础知识，具体来说包括：

线性代数：如何将研究对象形式化？

概率论：如何描述统计规律？

数理统计：如何以小见大？

最优化理论：如何找到最优解？

信息论：如何定量度量不确定性？

形式逻辑：如何实现抽象推理？

线性代数：如何将研究对象形式化？

事实上，线性代数不仅仅是人工智能的基础，更是现代数学和以现代数学作为主要分析方法的众多学科的基础。从量子力学到图像处理都离不开向量和矩阵的使用。而在向量和矩阵背后，线性代数的核心意义在于提供了⼀种看待世界的抽象视角：万事万物都可以被抽象成某些特征的组合，并在由预置规则定义的框架之下以静态和动态的方式加以观察。

着重于抽象概念的解释而非具体的数学公式来看，线性代数要点如下：线性代数的本质在于将具体事物抽象为数学对象，并描述其静态和动态的特性；向量的实质是n维线性空间中的静止点；线性变换描述了向量或者作为参考系的坐标系的变化，可以用矩阵表示；矩阵的特征值和特征向量描述了变化的速度与方向。

总之，线性代数之于人工智能如同加法之于高等数学，是一个基础的工具集。

概率论：如何描述统计规律？

除了线性代数之外，概率论也是人工智能研究中必备的数学基础。随着连接主义学派的兴起，概率统计已经取代了数理逻辑，成为人工智能研究的主流工具。在数据爆炸式增长和计算力指数化增强的今天，概率论已经在机器学习中扮演了核心角色。

同线性代数一样，概率论也代表了一种看待世界的方式，其关注的焦点是无处不在的可能性。频率学派认为先验分布是固定的，模型参数要靠最大似然估计计算；贝叶斯学派认为先验分布是随机的，模型参数要靠后验概率最大化计算；正态分布是最重要的一种随机变量的分布。

数理统计：如何以小见大？

在人工智能的研究中，数理统计同样不可或缺。基础的统计理论有助于对机器学习的算法和数据挖掘的结果做出解释，只有做出合理的解读，数据的价值才能够体现。数理统计根据观察或实验得到的数据来研究随机现象，并对研究对象的客观规律做出合理的估计和判断。

虽然数理统计以概率论为理论基础，但两者之间存在方法上的本质区别。概率论作用的前提是随机变量的分布已知，根据已知的分布来分析随机变量的特征与规律；数理统计的研究对象则是未知分布的随机变量，研究方法是对随机变量进行独立重复的观察，根据得到的观察结果对原始分布做出推断。

用一句不严谨但直观的话讲：数理统计可以看成是逆向的概率论。数理统计的任务是根据可观察的样本反过来推断总体的性质；推断的工具是统计量，统计量是样本的函数，是个随机变量；参数估计通过随机抽取的样本来估计总体分布的未知参数，包括点估计和区间估计；假设检验通过随机抽取的样本来接受或拒绝关于总体的某个判断，常用于估计机器学习模型的泛化错误率。

最优化理论：如何找到最优解？

本质上讲，人工智能的目标就是最优化：在复杂环境与多体交互中做出最优决策。几乎所有的人工智能问题最后都会归结为一个优化问题的求解，因而最优化理论同样是人工智能必备的基础知识。最优化理论研究的问题是判定给定目标函数的最大值（最小值）是否存在，并找到令目标函数取到最大值(最小值)的数值。如果把给定的目标函数看成一座山脉，最优化的过程就是判断顶峰的位置并找到到达顶峰路径的过程。

通常情况下，最优化问题是在无约束情况下求解给定目标函数的最小值；在线性搜索中，确定寻找最小值时的搜索方向需要使用目标函数的一阶导数和二阶导数；置信域算法的思想是先确定搜索步长，再确定搜索方向；以人工神经网络为代表的启发式算法是另外一类重要的优化方法。

信息论：如何定量度量不确定性？

近年来的科学研究不断证实，不确定性就是客观世界的本质属性。换句话说，上帝还真就掷骰子。不确定性的世界只能使用概率模型来描述，这促成了信息论的诞生。

信息论使用“信息熵”的概念，对单个信源的信息量和通信中传递信息的数量与效率等问题做出了解释，并在世界的不确定性和信息的可测量性之间搭建起一座桥梁。

总之，信息论处理的是客观世界中的不确定性；条件熵和信息增益是分类问题中的重要参数；KL散度用于描述两个不同概率分布之间的差异；最大熵原理是分类问题汇总的常用准则。

形式逻辑：如何实现抽象推理？

1956年召开的达特茅斯会议宣告了人工智能的诞生。在人工智能的襁褓期，各位奠基者们，包括约翰·麦卡锡、赫伯特·西蒙、马文·闵斯基等未来的图灵奖得主，他们的愿景是让“具备抽象思考能力的程序解释合成的物质如何能够拥有人类的心智。”通俗地说，理想的人工智能应该具有抽象意义上的学习、推理与归纳能力，其通用性将远远强于解决国际象棋或是围棋等具体问题的算法。

如果将认知过程定义为对符号的逻辑运算，人工智能的基础就是形式逻辑；谓词逻辑是知识表示的主要方法；基于谓词逻辑系统可以实现具有自动推理能力的人工智能；不完备性定理向“认知的本质是计算”这一人工智能的基本理念提出挑战。

因为有很多算法涉及数学公式推导

人工智能需要通过计算机语言来实现的，而计算机的语言要用到大量的数学知识，尤其是高等数学的数理统计和概率论的知识是不可缺少的。

学人工智能要先学数学吗？

其实，我们现代的科技发展都需要学数学。数学确切地说，不属于自然科学，它是一种语言，描述世界的一种语言，是对自然界事务的归纳和总结。像我们学物理，就必须要先学数学。牛顿发明微积分就是为了表达他的牛顿三定律。爱因斯坦不学黎曼几何，也创建不了伟大的广义相对论。现在很著名的物理学家爱德华·威滕，他获得过数学中的最高奖菲尔兹奖。物理跟数学密不可分。

人工智能跟数学也是密不可分。

我们先看看人工智能的起源，人工智能起源可以追溯到莱布尼茨的时代。莱布尼兹是数学家。现代公认的人工智能之父是图灵。图灵是数学家，他的著名论文《计算机器与智能》中提出了一个问题：机器会思考吗？提出了著名的图灵测试。这是一篇彻头彻尾的数学方面的论文，从数学的范畴引申到了人工智能和思维的问题。所以，人工智能一开始就是数学家们提出的，当然跟数学的关系非常紧密。

在科学界和产业界，人工智能跟普通老百姓想的不一样，不是外形像人，而是在功能上，人工智能能够模拟、代替或者加强人类某些方面的能力。比如会听（语音识别、机器翻译等）、会看（图像识别、文字识别等）、会说（语音合成、人机对话等）、会思考（人机对弈、定理证明等）、会学习（机器学习、知识表示等）、会行动（机器人、自动驾驶汽车等）。

这些语音识别、图像识别、机器学习等等，怎么来实现呢？全部是用数学来实现，下图就是人工神经网络的一个学习的数学模型。有本畅销书叫《数学之美》，作者是清华毕业生，曾在谷歌和腾讯当过研究员。这本书里面讲到了信息、搜索、文字识别、语言识别模型等的各种数学模型和公式。

人工智能需要的关键的数学知识，主要是偏向离散数学和统计数学。需要的数学知识包括：数学分析、高等代数、概率与统计、模式识别、泛函分析等等。

可以说，如果要在人工智能方面有所成就，数学一定要学好。所以，这也是我经常说的，要学人工智能最好是名校，最好是博士，因为在名校，数学基础才有保证。

不过，由于人工智能的就业岗位很多，有很多岗位也不需要很多数学，有电子信息、控制和计算机编程能力就够了。各人根据自己情况来定，不要被数学吓唬住。

总之，人工智能是我们科技一个非常重要的发展方向，有志者都可以参与。

这是一个非常好的问题，作为一名科技从业者，我来回答一下。

首先，人工智能是一个非常典型的交叉学科，不仅涉及到数学，同时还涉及到计算机、控制学、经济学、哲学、神经学、语言学等多个学科，所以人工智能技术不仅难度较高，知识量也非常庞大，这也是为什么长期以来，人工智能人才的培养都集中在研究生教育领域的重要原因。

人工智能当前有六个大的研究领域，包括自然语言处理、计算机视觉、机器学习、知识表示、自动推理和机器人学，这些研究方向都离不开数学知识，所以要想在人工智能的研发领域走得更远，一定要有一个扎实的数学基础。

以机器学习为例，机器学习的步骤包括数据收集、算法设计、算法实现、算法训练、算法验证和算法应用，所以机器学习的基础是数据，而核心则是算法，所以也可以把机器学习问题看成是一个数学问题。机器学习在人工智能领域的应用非常广泛，所以很多初学者在进入人工智能领域之前，都会先从机器学习开始学起，而要想顺利入门机器学习的相关知识，数学基础是非常关键的。

虽然人工智能对于数学的要求比较高，但是即使数学基础不好，也可以在学习人工智能技术的过程中，逐渐补齐自己的数学短板，在学习人工智能技术的初期，也并不会遇到非常复杂的数学问题，只需要具有一些线性代数、概率论的基础知识就可以了。

最后，人工智能技术的学习对于场景有比较高的要求，所以学习人工智能技术并不建议完全通过自学的方式来掌握，最好能够借助研发团队的实验和交流环境，来不断提升自身的研发能力。

我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。

如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信我！