人工智能是什么概念?人工智能需要学哪些课程?

1.人工智能要学哪些专业课程数据科学与大数据专业和人工智能专业的必修基础课程方面一般包含大数据（人工智能）概论、Linux操作系统、Java语言编程、数据库原理与应用、数据结构、数学及统计类课程（高等数学、线性代数、概率论、数理统计）。

2.大数据应用开发语言、Hadoop大数据技术、分布式数据库原理与应用、数据导入与预处理应用、数据挖掘技术与应用、大数据分析与内存计算等。选修的课程方面数据可视化技术、商务智能方法与应用、机器学习、人工智能技术与应用等。实践应用课程方面海量数据预处理实战、海量数据挖掘与可视化实战等。

3.数据科学与大数据技术与人工智能专业可从事的岗位有：分析类，分析工程师、算法工程师；研发类，架构工程师、开发工程师、运维工程师；管理类，产品经理、运营经理。

人工智能之父 John McCarthy说：人工智能就是制造智能的机器，更特指制作人工智能的程序。人工智能模仿人类的思考方式让计算机能智能的思考问题，人工智能通过研究人类大脑的思考、学习和工作方式，然后将研究结果作为开发智能软件和系统的基础。

人工智能的概念很宽，所以人工智能也分很多种，我们按照人工智能的实力将其分成三大类：
1、弱人工智能
弱人工智能Artificial Narrow Intelligence (ANI):弱人工智能是擅长于单个方面的人工智能。比如有能战胜象棋世界冠军的人工智能，但是它只会下象棋，你要问它怎样更好地在硬盘上储存数据，它就不知道怎么回答你了。比如第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的人工智能机器人，Alpha Go其实也是一个弱人工智能。
2、强人工智能
强人工智能又称通用人工智能或完全人工智能， 指的是可以胜任人类所有工作的人工智能。一个可以称得上强人工智能的程序， 大概需要具备以下几方面的能力：存在不确定因素时进行推理，使用策略，解决问题，制定决策的能力；知识表示的能力，包括常识性知识的表示能力；规划能力；学习能力；使用自然语言进行交流沟通的能力；将上述能力整合起来实现既定目标的能力。
3、超人工智能
假设计算机程序通过不断发展，可以比世界上最聪明、最有天赋的人类还聪明，那么由此产生的人工智能系统就可以被称为超人工智能。超人工智能的定义最为模糊，因为没人知道， 超越人类最高水平的智慧到底会表现为何种能力。如果说对于强人工智能，我们还存在从技术角度进行探讨的可能性的话，那么，对于超人工智能，今天的人类大多就只能从哲学或科幻的角度加以解析了。

人工智能需要学的课程如下：

人工智能专业主要需要学：《人工智能、社会与人文》、《人工智能哲学基础与伦理》、《先进机器人控制》、《认知机器人》、，《机器人规划与学习》、《仿生机器人》、《群体智能与自主系统》《无人驾驶技术与系统实现》《游戏设计与开发》《计算机图形学》《虚拟现实与增强现实》、《人工智能的现代方法I》。

就业前景

前景很好，中国正在产业升级，工业机器人和人工智能方面都会是强烈的热点，而且正好是在3~5年以后的时间。难度，肯定高，要求你有创新的思维能力，高数中的微积分、数列等等必须得非常好，软件编程（基础的应用最广泛的语言：C/C++)必须得很好，微电子（数字电路、低频高频模拟电路、最主要的是嵌入式的编程能力）得学得很好。

还要有一定的机械设计能力（空间思维能力很重要）。这样的话，你就是人才，你就是中国未来5年以后急需的人工智能领域的人才。一门深入地钻研下去，你就是这个领域的专家甚至大师。

网友二：人工智能以计算机技术为基础，依赖算法和模仿人脑神经元结构，在大数据的统计下，利用高级计算机语言Python等x86或Linux架构系统下编写具有深度学习的，依赖图形海量AI的GPU组和CPU等架构上高精度传感器的智能的类似人脑思维的电子人工智慧。

人工智能学习的课程主要有：《人工智能、社会与人文》、《人工智能哲学基础与伦理》、《先进机器人控制》、《认知机器人》、《机器人规划与学习》、《仿生机器人》、《群体智能与自主系统》《无人驾驶技术与系统实现》《游戏设计与开发》《计算机图形学》《虚拟现实与增强现实》、《人工智能的现代方法I》 。

人工智能学习内容包括数学基础、算法积累以及编程语言。数学要学好高数、线性代数、概率论、离散数学等等内容，算法积累需要学会人工神经网络、遗传算法等等，还需要学习一门编程语言，通过编程语言实现算法，还可以学习一下电算类的硬件基础内容。

人工智能就业前景

随着智能化的发展，人工智能技术会在互联网行业逐步应用和普及，把技术应用于物联网、大数据等行业，所以就业需求会不断扩大，我们也将会频繁与智能体互动和交流，这也是未来社会生产环境的发展趋势，需要我们去迎合时代发展的需要。

人工智能是一种使计算机，计算机控制的机器人或软件智能地思考的方式，其方式与智能人类的思维方式类似。

人工智能是通过研究人类大脑如何思考以及人类在尝试解决问题时如何学习，决定和工作，然后将本研究的结果用作开发智能软件和系统的基础来实现的。

在充分利用计算机系统的力量的同时，人类的好奇心使他想知道“机器能像人类一样思考和行为吗？”

因此，人工智能的发展始于在我们发现并在人类中高度重视的机器中创造类似的智能。

人工智能的起源发展

“人工智能”一词最初在1956年美国的达特茅斯（Dartmouth）大学举办的一场长达两个月的研讨会中被提出，从那以后，人工智能作为新鲜事物开始进入人们的视野中，研究人员不断探索发展了众多相关的理论和技术，人工智能的概念也随之扩展。

在首次提出人工智能的概念之后，一些重要的理论结果也层出不穷。但是由于消化方法的推理能力有限，机器翻译技术也不够成熟，在两者的共同作用下导致了最终的失败。人工智能技术逐渐进入了它的瓶颈期。

1976年，斯坦福大学的研究人员耗时五六年开发了一种使用了人工智能的早期模拟决策系统，用来进行严重感染时的感染菌诊断，以及抗生素给药的推荐系统——MYCIN系统。从那时起，还开发了许多著名的专家系统，如PROSPECTIOR探矿系统、Hearsay-II语音理解系统等。

后续的研究和开发专家系统使人工智能得以实际应用。值得一提的是，为了更好地发展人工智能，在各国科学家们的号召下于1969年召开了国际人工智能联合会议，这也标志着人工智能新高潮的出现。

人工智能(Artificial Intelligence) ，英文缩写为AI。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的技术科学。 人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。“人工智能”一词最初是在1956 年Dartmouth学会上提出的。从那以后,研究者们发展了众多理论和原理,人工智能的概念也随之扩展。人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。例如繁重的科学和工程计算本来是要人脑来承担的，现在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，因之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，一方面又转向更有意义、更加困难的目标。目前能够用来研究人工智能的主要物质手段以及能够实现人工智能技术的机器就是计算机, 人工智能的发展历史是和计算机科学与技术的发展史联系在一起的。除了计算机科学以外, 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面

学人工智能，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。
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：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。
top域名认为人工智能门槛比较高，需要积累，如果你有这方面的天赋，可以去尝试。

人工智能（Artificial Intelligence，AI）是指计算机像人一样拥有智能能力，是一个融合计算机科学、统计学、脑神经学和社会科学的前沿综合学科，可以代替人类实现识别、认知，分析和决策等多种功能。如当你说一句话时，机器能够识别成文字，并理解你话的意思，进行分析和对话等。

人工智能的起源：人工智能在五六十年代时正式提出，1950年，一位名叫马文·明斯基(后被人称为“人工智能之父”)的大四学生与他的同学邓恩·埃德蒙一起，建造了世界上第一台神经网络计算机。这也被看做是人工智能的一个起点。巧合的是，同样是在1950年，被称为“计算机之父”的阿兰·图灵提出了一个举世瞩目的想法——图灵测试。按照图灵的设想：如果一台机器能够与人类开展对话而不能被辨别出机器身份，那么这台机器就具有智能。而就在这一年，图灵还大胆预言了真正具备智能机器的可行性。

1956年，在由达特茅斯学院举办的一次会议上，计算机专家约翰·麦卡锡提出了“人工智能”一词。后来，这被人们看做是人工智能正式诞生的标志。就在这次会议后不久，麦卡锡从达特茅斯搬到了MIT。同年，明斯基也搬到了这里，之后两人共同创建了世界上第一座人工智能实验室——MIT AI LAB实验室。值得追的是，茅斯会议正式确立了AI这一术语，并且开始从学术角度对AI展开了严肃而精专的研究。在那之后不久，最早的一批人工智能学者和技术开始涌现。达特茅斯会议被广泛认为是人工智能诞生的标志，从此人工智能走上了快速发展的道路。

人工智能的第一次高峰 在1956年的这次会议之后，人工智能迎来了属于它的第一段Happy Time。在这段长达十余年的时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。甚至在当时，有很多学者认为：“二十年内，机器将能完成人能做到的一切。”

因此，人工智能项目停滞不前，但却让一些人有机可乘,1973年Lighthill针对英国AI研究状况的报告。批评了AI在实现“宏伟目标”上的失败。由此，人工智能遭遇了长达6年的科研深渊。

人工智能的概念是：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的技术科学。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等。

相关内容

另外人工智能也可以分为两部分理解，也就是人工与智能，人工就是人工系统，对于这个定义大家的看法还都是非常相似的。

而对于智能的理解就比较多了，并且也不统一，因为这涉及到一些意识、思维、自我等等的问题，比较复杂，而人类了解的智能其实就是自己本身的智能，不过对于自身的理解也是有限的，对于人的智能的了解更是有限，所以对于智能的定义当然没有一个统一的答案了。

人工智能(Artificial Intelligence)，英文缩写为AI。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的技术科学。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种复杂工作的理解是不同的。

人工智能不同于传统的机器人，传统机器人只是代替人类做一些已经输入好的指令工作，而人工智能则包含了机器学习，从被动到主动，从模式化实行指令，到自主判断根据情况实行不同的指令，这就是区别

简而言之，人工智能就是用人造的方法模拟智能。

这里包含两个关键概念，一个是“人造”，另一个就是“智能”。

“人造”好理解，就是用人工的方法去模拟。但是“智能”是什么呢？

在回答什么是“智能”前，让我们先看看以下哪个物品有智能：

第一排很好判断，大家都认为它们是有智能的。

那第二排的呢？

1. 向日葵有智能吗？它可以跟随太阳移动。

2. 搜索引擎有智能吗？它能把输入问题的答案列出来，比如：输入“著名的餐馆”，他可以给出著名餐馆的列表。

3. 抽水马桶有智能吗？它在放水后能够知道何时停止放水，转而进行蓄水，当蓄满的时候又知道何时停止蓄水。

第二排的物品（向日葵、搜索引擎、抽水马桶）和第一排的物品（现代人类、智人、猫）都有个共同之处，那就是： 它们能够根据外部环境的变化，从而自发的改变自己。

比如：向日葵可以根据太阳的移动而移动自己的花盘；搜索引擎可以根据用户的不同输入展示不同的结果；抽水马桶可以根据水位来决定自己是放水还是蓄水，还是停止。

进一步的一个问题是，同样都可以根据外部环境改变而自发的改变自己，那么这两排的物品有什么不同吗？

这个区别还是很明显的，那就是： 在面对外部环境新的变化的时候，是否可以自主学习、理解环境，从而在新的外部环境下自发改变自己？

第二排的物品都是为了某些特定情景提前设定好的，如果跳出这个特点情景，它们就不会有任何自发行为。

比如：向日葵只是在发芽到花盘盛开前的这段时间是随着太阳移动的。搜索引擎也是通过事先计算好的关键字对应关系来呈现结果。最后的抽水马桶只是为了冲水这一件事情设计的。它们都不会对新的情景产生新的动作。

“智能”通常具备以下两个特征：

1. 根据外部环境的状态变化，而自发的决定自己的状态。

2. 在面对新的外部环境的时候，可以自己学习、理解环境，从而在新的环境状态下自发决定自己的状态。

根据这两个特征，第一排的物品是有智能的，而第二排的物品是没有智能的，只是有“功能”。

人工智能就是用人造的方法模拟智能，模拟的智能能达到智能物品的两个特征即可。

目前大家已知的智能物中，人类是被认为智能最强的。那么有没有什么方法来判断人造智能物是否达到了人类智能的级别？

著名的现代计算机之父图灵曾经提出过一个思想实验，能通过这个实验的，就被认为拥有人类智能的级别。这个思想实验也被称为 “图灵测试” 。

图灵测试是这样的，一个人和一个机器在隔开的情况下，通过一些装置（如键盘）向这个机器随意提问，进行多次测试后，如果有超过30%的测试者不能确定出被测试者是人还是机器，那么这个机器就通过了测试，被认为拥有人类级别的智能。

在图灵测试中，图灵并没有检验机器是否有合作、分工、演化、自由意志等因素，只是单纯的检测机器是否有足够的智能。但是这并没有妨碍哲学家讨论这些问题，哲学家认为，如果这些因素机器都能满足，那么这种智能叫强人工智能，如果不满足这些因素，而仅仅是通过了图灵测试，那么是一种弱人工智能。

目前在人工智能领域还没有一种机器（或系统）能通过图灵测试。

“智能”有一个特征就是在面对新的外部环境的时候，可以自己学习、理解环境，从而在新的环境状态下决定自己的状态。那么要如何才能学习呢？

人类的学习方法是这样的：从一个问题的一些经验中进行归纳、演绎、联想，得出结论，进一步将结论用于解决这一类的问题上，在这个推广过程中不断利用上述步骤修正结论。人类的经验非常丰富，这些经验有的成为了全人类的一些共识，这使得人类的学习速度加快。

那么如果是一个机器呢，我们该如何让一个机器学习？它能学习到什么程度？

一个模拟人类学习的方法是： 给机器输入关于这个问题的数据，利用一些数学方法让机器根据这些数据做归纳、演绎，从而得出结论，再利用这个结论解决这一类的问题 。这个过程，称为机器学习。

在机器学习中，得出的结论有个特定的名称，叫做“模型”；让机器根据数据做归纳、演绎的过程叫做“模型训练”；将模型用于解决这类问题的过程，叫做“泛化”。整个过程如下图所示：

人们利用泛化结果的好坏来评价学习的模型的好坏。

机器学习由于其方法的普适性和解决问题的泛化能力，被很多领域都广泛使用。目前，机器学习的成功已经广泛使用在很多方面。比如： 判断一封电子邮件是否是垃圾邮件，一些新闻资讯类App自动呈现用户感兴趣的内容，根据诊断结果判断一些病的患病几率，自动驾驶，和人类对弈围棋且战胜人类，图片中的一些元素的识别，语音翻译，虚拟个人助理等等。随着机器学习在这些应用领域的不断使用，机器也在不断优化自己的结果，从而不断提高机器学习的质量和效果。

照这个趋势下去，机器会超越人类吗？

机器学习和人类学习相比，机器学习还有以下几个硬伤：

1. 缺少跳跃式的建模。

目前机器学习的建模方法是逐步递进的，缺少了一些跳跃式的前进。人类经常有灵光一现等想象力飞跃的时刻，但是机器学习没有，它只有层层递进，逐步收敛，最终得到模型。

2. 计算能力还不够强

虽然比人脑单个神经元的计算速度快，但是人脑的并行计算能力远超现代计算机好几个量级。人脑可以同时有上亿个神经元被激活，参与计算。相比之下，机器的计算力有限，如果计算机目前的体系结构在未来保持不变，那机器在未来也没可能超越人类的计算能力。

3. 知识储备不足

人类的学习有个重要的来源就是人类共有的知识，这些知识给人类理解和学习问题提供基础，有时即便问题信息不足，人类依然可以利用这些知识来学习、梳理问题。而每个机器有自己学习到的模型，目前还不能将这些模型让其他机器共享。这也正是机器学习在很多领域很难达到人类水平的一个原因，比如：自然语言处理。

4. 不能举一反三

机器学习不能脱离要解决的实际问题，得出的模型也只是在这类实际问题中得到有限的泛化能力。这就限制了机器能像人类一样拥有举一反三的能力，只能一个个的学习。这就缺少了面对环境变化后的自主学习能力。

综合来看，机器学习要想超越人类，需要解建模方法、决计算力、知识共享，举一反三这四个问题。目前还不能超越人类，只能在一些高度结构化而且频繁重复某些模式的领域才能适用。

到此，我们宏观的了解了什么是人工智能，以及它的长处和短处，希望能对想要了解人工智能领域的人起到帮助。

人工智能（AI）：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的技术科学。人工智能学科研究的主要内容包括： 知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等），主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。

人工智能涉及到计算机科学、心理学、哲学和语言学等学科，可以说几乎是自然科学和社会科学的所有学科，其范围已远远超出了计算机科学的范畴，人工智能与思维科学的关系是实践和理论的关系，人工智能是处于思维科学的技术应用层次，是它的一个应用分支。

从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展，数学常被认为是多种学科的基础科学，数学也进入语言、思维领域，人工智能学科也必须借用数学工具，数学不仅在标准逻辑、 模糊数学等范围发挥作用，数学进入人工智能学科，它们将互相促进而更快地发展。

人工智能（Artificial Intelligence），英文缩写为AI。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的技术科学。

　　“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或着人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。

　　关于什么是“智能”就有很多问题。这涉及到其它诸如意识(consciousness)、自我(self)、思维(mind)(包括无意识的思维)等等问题。

　　人唯一了解的智能是人本身的智能，这是普遍认同的观点。

　　但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。

　　因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。

　　人工智能目前在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。

　　人工智能的研究是高度技术性和专业的，各分支领域都是深入且各不相通的，因而涉及范围极广。

　　人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

　　1)知识表示是人工智能的基本问题之一，推理和搜索都与表示方法密切相关。常用的知识表示方法有：逻辑表示法、产生式表示法、语义网络表示法和框架表示法等。

　　2)常识，自然为人们所关注，已提出多种方法，如非单调推理、定性推理就是从不同角度来表达常识和处理常识的。

　　3)问题求解中的自动推理是知识的使用过程，由于有多种知识表示方法，相应地有多种推理方法。推理过程一般可分为演绎推理和非演绎推理。

　　4)搜索是人工智能的一种问题求解方法，搜索策略决定着问题求解的一个推理步骤中知识被使用的优先关系。可分为无信息导引的盲目搜索和利用经验知识导引的启发式搜索。

　　5)机器学习是人工智能的另一重要课题。机器学习是指在一定的知识表示意义下获取新知识的过程，按照学习机制的不同，主要有归纳学习、分析学习、连接机制学习和遗传学习等。

　　6)知识处理系统主要由知识库和推理机组成。知识库存储系统所需要的知识，当知识量较大而又有多种表示方法时，知识的合理组织与管理是重要的。

　　推理机在问题求解时，规定使用知识的基本方法和策略，推理过程中为记录结果或通信需设数据库或采用黑板机制。

　　人工智能的研究可以分为几个技术问题，其分支领域主要集中在解决具体问题，其中之一是如何使用各种不同的工具完成特定的应用程序。

　　AI的核心问题包括推理、知识、规划、学习、交流、感知、移动和操作物体的能力等。强人工智能目前仍然是该领域的长远目标。目前比较流行的方法包括统计方法，计算智能和传统意义的AI。

　　目前有大量的工具应用了人工智能，其中包括搜索和数学优化、逻辑推演。而基于仿生学、认知心理学，以及基于概率论和经济学的算法等等也在逐步探索当中。

人工智能技术关系到人工智能产品是否可以顺利应用到我们的生活场景中。在人工智能领域，它普遍包含了机器学习、知识图谱、自然语言处理、人机交互、计算机视觉、生物特征识别、AR/VR七个关键技术。

一、机器学习
机器学习(MachineLearning)是一门涉及统计学、系统辨识、逼近理论、神经网络、优化理论、计算机科学、脑科学等诸多领域的交叉学科，研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能，是人工智能技术的核心。基于数据的机器学习是现代智能技术中的重要方法之一，研究从观测数据(样本)出发寻找规律，利用这些规律对未来数据或无法观测的数据进行预测。根据学习模式、学习方法以及算法的不同，机器学习存在不同的分类方法。
根据学习模式将机器学习分类为监督学习、无监督学习和强化学习等。
根据学习方法可以将机器学习分为传统机器学习和深度学习。

二、知识图谱
知识图谱本质上是结构化的语义知识库，是一种由节点和边组成的图数据结构，以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关“属性—值”对。不同实体之间通过关系相互联结，构成网状的知识结构。在知识图谱中，每个节点表示现实世界的“实体”，每条边为实体与实体之间的“关系”。通俗地讲，知识图谱就是把所有不同种类的信息连接在一起而得到的一个关系网络，提供了从“关系”的角度去分析问题的能力。
知识图谱可用于反欺诈、不一致性验证、组团欺诈等公共安全保障领域，需要用到异常分析、静态分析、动态分析等数据挖掘方法。特别地，知识图谱在搜索引擎、可视化展示和精准营销方面有很大的优势，已成为业界的热门工具。但是，知识图谱的发展还有很大的挑战，如数据的噪声问题，即数据本身有错误或者数据存在冗余。随着知识图谱应用的不断深入，还有一系列关键技术需要突破。

三、自然语言处理
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向，研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，涉及的领域较多，主要包括机器翻译、机器阅读理解和问答系统等。
机器翻译
机器翻译技术是指利用计算机技术实现从一种自然语言到另外一种自然语言的翻译过程。基于统计的机器翻译方法突破了之前基于规则和实例翻译方法的局限性，翻译性能取得巨大提升。基于深度神经网络的机器翻译在日常口语等一些场景的成功应用已经显现出了巨大的潜力。随着上下文的语境表征和知识逻辑推理能力的发展，自然语言知识图谱不断扩充，机器翻译将会在多轮对话翻译及篇章翻译等领域取得更大进展。
语义理解
语义理解技术是指利用计算机技术实现对文本篇章的理解，并且回答与篇章相关问题的过程。语义理解更注重于对上下文的理解以及对答案精准程度的把控。随着MCTest数据集的发布，语义理解受到更多关注，取得了快速发展，相关数据集和对应的神经网络模型层出不穷。语义理解技术将在智能客服、产品自动问答等相关领域发挥重要作用，进一步提高问答与对话系统的精度。
问答系统
问答系统分为开放领域的对话系统和特定领域的问答系统。问答系统技术是指让计算机像人类一样用自然语言与人交流的技术。人们可以向问答系统提交用自然语言表达的问题，系统会返回关联性较高的答案。尽管问答系统目前已经有了不少应用产品出现，但大多是在实际信息服务系统和智能手机助手等领域中的应用，在问答系统鲁棒性方面仍然存在着问题和挑战。
自然语言处理面临四大挑战：
一是在词法、句法、语义、语用和语音等不同层面存在不确定性;
二是新的词汇、术语、语义和语法导致未知语言现象的不可预测性;
三是数据资源的不充分使其难以覆盖复杂的语言现象;
四是语义知识的模糊性和错综复杂的关联性难以用简单的数学模型描述，语义计算需要参数庞大的非线性计算

四、人机交互
人机交互主要研究人和计算机之间的信息交换，主要包括人到计算机和计算机到人的两部分信息交换，是人工智能领域的重要的外围技术。人机交互是与认知心理学、人机工程学、多媒体技术、虚拟现实技术等密切相关的综合学科。传统的人与计算机之间的信息交换主要依靠交互设备进行，主要包括键盘、鼠标、操纵杆、数据服装、眼动跟踪器、位置跟踪器、数据手套、压力笔等输入设备，以及打印机、绘图仪、显示器、头盔式显示器、音箱等输出设备。人机交互技术除了传统的基本交互和图形交互外，还包括语音交互、情感交互、体感交互及脑机交互等技术。

五、计算机视觉
计算机视觉是使用计算机模仿人类视觉系统的科学，让计算机拥有类似人类提取、处理、理解和分析图像以及图像序列的能力。自动驾驶、机器人、智能医疗等领域均需要通过计算机视觉技术从视觉信号中提取并处理信息。近来随着深度学习的发展，预处理、特征提取与算法处理渐渐融合，形成端到端的人工智能算法技术。根据解决的问题，计算机视觉可分为计算成像学、图像理解、三维视觉、动态视觉和视频编解码五大类。
目前，计算机视觉技术发展迅速，已具备初步的产业规模。未来计算机视觉技术的发展主要面临以下挑战：
一是如何在不同的应用领域和其他技术更好的结合，计算机视觉在解决某些问题时可以广泛利用大数据，已经逐渐成熟并且可以超过人类，而在某些问题上却无法达到很高的精度;
二是如何降低计算机视觉算法的开发时间和人力成本，目前计算机视觉算法需要大量的数据与人工标注，需要较长的研发周期以达到应用领域所要求的精度与耗时;
三是如何加快新型算法的设计开发，随着新的成像硬件与人工智能芯片的出现，针对不同芯片与数据采集设备的计算机视觉算法的设计与开发也是挑战之一。

六、生物特征识别
生物特征识别技术是指通过个体生理特征或行为特征对个体身份进行识别认证的技术。从应用流程看，生物特征识别通常分为注册和识别两个阶段。注册阶段通过传感器对人体的生物表征信息进行采集，如利用图像传感器对指纹和人脸等光学信息、麦克风对说话声等声学信息进行采集，利用数据预处理以及特征提取技术对采集的数据进行处理，得到相应的特征进行存储。
识别过程采用与注册过程一致的信息采集方式对待识别人进行信息采集、数据预处理和特征提取，然后将提取的特征与存储的特征进行比对分析，完成识别。从应用任务看，生物特征识别一般分为辨认与确认两种任务，辨认是指从存储库中确定待识别人身份的过程，是一对多的问题;确认是指将待识别人信息与存储库中特定单人信息进行比对，确定身份的过程，是一对一的问题。
生物特征识别技术涉及的内容十分广泛，包括指纹、掌纹、人脸、虹膜、指静脉、声纹、步态等多种生物特征，其识别过程涉及到图像处理、计算机视觉、语音识别、机器学习等多项技术。目前生物特征识别作为重要的智能化身份认证技术，在金融、公共安全、教育、交通等领域得到广泛的应用。

七、VR/AR
虚拟现实(VR)/增强现实(AR)是以计算机为核心的新型视听技术。结合相关科学技术，在一定范围内生成与真实环境在视觉、听觉、触感等方面高度近似的数字化环境。用户借助必要的装备与数字化环境中的对象进行交互，相互影响，获得近似真实环境的感受和体验，通过显示设备、跟踪定位设备、触力觉交互设备、数据获取设备、专用芯片等实现。
虚拟现实/增强现实从技术特征角度，按照不同处理阶段，可以分为获取与建模技术、分析与利用技术、交换与分发技术、展示与交互技术以及技术标准与评价体系五个方面。获取与建模技术研究如何把物理世界或者人类的创意进行数字化和模型化，难点是三维物理世界的数字化和模型化技术;分析与利用技术重点研究对数字内容进行分析、理解、搜索和知识化方法，其难点是在于内容的语义表示和分析;交换与分发技术主要强调各种网络环境下大规模的数字化内容流通、转换、集成和面向不同终端用户的个性化服务等，其核心是开放的内容交换和版权管理技术;展示与交换技术重点研究符合人类习惯数字内容的各种显示技术及交互方法，以期提高人对复杂信息的认知能力，其难点在于建立自然和谐的人机交互环境;标准与评价体系重点研究虚拟现实/增强现实基础资源、内容编目、信源编码等的规范标准以及相应的评估技术。
目前虚拟现实/增强现实面临的挑战主要体现在智能获取、普适设备、自由交互和感知融合四个方面。在硬件平台与装置、核心芯片与器件、软件平台与工具、相关标准与规范等方面存在一系列科学技术问题。总体来说虚拟现实/增强现实呈现虚拟现实系统智能化、虚实环境对象无缝融合、自然交互全方位与舒适化的发展趋势

人工智能（Artificial Intelligence），英文缩写为AI。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的技术科学。

人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。2017年12月，人工智能入选“2017年度中国媒体十大流行语”。[2]

在美国，单独开设AI的院校不多，一般是博士才会涉及AI的具体科研项目，硕士主要是修读相关课程。

核心课程

Artificial Intelligence 人工智能

Machine Learning 机器学习

Advanced Operating Systems 高级操作系统

Advanced Algorithm Design 高级算法设计

Computational Complexity 计算复杂性

Mathematical Analysis 数学分析

Advanced Computer Graphics 高级计算机图形

Advanced Computer Networks 高级计算机网络

就业方向参考

（1）搜索方向：百度、谷歌、微软、yahoo等(包括智能搜索、语音搜索、图片搜索、视频搜索等都是未来的方向)

（2） 医学图像处理：医疗设备、医疗器械很多都会涉及到图像处理和成像，大型的公司有西门子、GE、飞利浦等。

（3）计算机视觉和模式识别方向：前面说过的指纹识别、人脸识别、虹膜识别等;还有一个大的方向是车牌识别;目前鉴于视频监控是一个热点问题，做跟踪和识别也不错;

（4）还有一些图像处理方面的人才需求的公司，如威盛、松下、索尼、三星等。

另外，AI方向的人才都是高科技型的，在待遇方面自然相对比较丰厚，所以很这个方向很有发展前途。

概念：人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。

人工智能的前景如何

作为新一轮产业变革的核心驱动力和引领未来发展的战略技术，国家高度重视人工智能产业的发展。

尤其是5G概念提出并实现后，人工智能的发展更是一片光明，自动驾驶和智慧城市、智能家具等等人工智能产品逐渐走进人们的视线，试想一下，在未来的某一天，电影中的黑科技生活全都成为现实，科技感爆棚！这即是人类发展进步的一大标志，更是未来的又一新机遇。

人工智能专业学习的主要课程有认知心理学、神经科学基础、人类的记忆与学习、语言与思维、计算神经工程等。人工智能专业是中国高校人才计划设立的专业，旨在培养中国人工智能产业的应用型人才，推动人工智能一级学科建设。

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；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；然后，需要掌握至少一门编程语言。

从课程体系结构来看，主要分成四大部分，第一部分是基础学科部分，主要涉及到数学和物理相关课程；第二部分是计算机基础课程，涉及到编程语言、操作系统、算法设计等课程。

第三部分是人工智能基础课程，涉及到人工智能基础、机器学习、控制学基础、神经科学、语言学基础等内容；第四部分涉及到人工智能平台相关知识。

发展前景

1、就业方向

实际应用：机器视觉，指纹识别，人脸识别，视网膜识别，虹膜识别，掌纹识别，专家系统，自动规划，智能搜索，定理证明，博弈，自动程序设计，智能控制，机器人学，语言和图像理解，遗传编程等。

2、考研方向

计算机科学与技术、软件工程、人工智能等。