人工智能算法(請問自學AI算法需要懂什么知識?)
1.請問自學AI算法需要懂什么知識?
首先你需要數(shù)學基礎：高等數(shù)學，線性代數(shù)，概率論數(shù)理統(tǒng)計和隨機過程，離散數(shù)學，數(shù)值分析
其次需要算法的積累：人工神經(jīng)網(wǎng)絡，支持向量機，遺傳算法等等算法；當然還有各個領域需要的算法，比如你要讓機器人自己在位置環(huán)境導航和建圖就需要研究SLAM；總之算法很多需要時間的積累；
然后，需要掌握至少一門編程語言，畢竟算法的實現(xiàn)還是要編程的；如果深入到硬件的話，一些電類基礎課必不可少；
人工智能一般要到研究生才會去學，本科也就是蜻蜓點水看看而已，畢竟需要的基礎課過于龐大。
2.人工智能是什么? 什么是人工智能算法
《博弈圣經(jīng)》人工智能的定義；人們把理性看成智能、把智能看成（0、1、2、）三維數(shù)碼、把三維數(shù)碼看成邏輯，人工智能，也就是理性的三維數(shù)碼邏輯（+-*÷）精確的運算。
博弈圣經(jīng)著作人的理論學說；人工智能是什么，人們必須知道什么是思考、什么是思想、什么是智慧？才能對人工智能有一點粗略的認知。
博弈圣經(jīng)著作人的理論學說；感覺、思維、意識，形成的觀念，它會自我構成一致性的思考；它會通過文化的傳播方式，以唯心主義的自信、以及對唯物主義認識的思考、在第三空地里產(chǎn)生思想；《博弈圣經(jīng)》智慧的定義；智慧就是文化進程中獨創(chuàng)的執(zhí)行力。（智能，是理性的三維數(shù)碼邏輯（+-*÷）的精確運算。
博弈圣經(jīng)著作人的理論學說；人工智能是數(shù)字化三維支點測量，博弈取勝的人工智能，選擇一次，都要經(jīng)過4加、2減、2乘、1除的運算；運算就是對三維支點的運算、三維支點的測量、三維支點的尋找；人工智能是對“天平兩端與支點”，也類似于“杠桿兩端與支點”對三維空間上的數(shù)字、開啟數(shù)字邏輯的精密運算，測量其支點上，有關效應、常數(shù)、一個小目標，精準的給出，使自己提前知道未來取勝的結果。（提前知道一組組數(shù)字代碼中，給定的“地天代碼”數(shù)字，就是贏的博文尺度，同時“人天代碼”會精準的顯示贏了多少。）
博弈圣經(jīng)著作人的理論學說；國正論的非絕對對立性，相當于“天平兩端與支點”類似于“杠桿兩端與支點”量化成四兩撥千斤“粒湍體博文代碼”；⑧1000-4668091=3047.6000（+-*÷）的精確運算，建立的人工智能，他使計算機開始模仿博弈取勝的智慧；
三維支點感知、
三維支點思考、
三維支點意念、
它在三維支點上，進行的數(shù)碼邏輯運算給出了三個結果；
支點常數(shù)加1，結果小于1為神學，（人天代碼加地碼4000斤+1(-5000斤)=-1000斤）；
支點常數(shù)加1，結果大于1為科學，（人天代碼加地碼4000斤+1(5000斤)=+9000斤）；
天人代碼能夠被地碼整除（30000斤÷5000斤），天人代碼又能被地人代碼減、下余一個小數(shù)為支點常數(shù)（效應、一個小目標）它的結果一定要小于1為博學，（30000斤-26000斤=4000斤）。
博弈取勝的人工智能，“粒湍體博文代碼”，是人類認識未知世界，分別計算，神學、科學、博學，使用的數(shù)碼邏輯法則；
支點常數(shù)加1，結果小于1為神學，
支點常數(shù)加1，結果大于1為科學，
1除1減，支點常數(shù)小于1為博學。
它讓每一個人的手指上充滿人工智能，點擊計算機鍵盤，體驗神學、科學、博學，觀賞人與自然博弈的神通，“一人、一指、一鍵，贏天下”。
3.人工智能是智能算法的實現(xiàn),其核心內容在于什么?
人工智能是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智能）。也被認為是二十一世紀三大尖端技術（基因工程、納米科學、人工智能）之一。這是因為近三十年來它獲得了迅速的發(fā)展，在很多學科領域都獲得了廣泛應用，并取得了豐碩的成果，人工智能已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統(tǒng)。
人工智能是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規(guī)劃等）的學科，主要包括計算機實現(xiàn)智能的原理、制造類似于人腦智能的計算機，使計算機能實現(xiàn)更高層次的應用。人工智能將涉及到計算機科學、心理學、哲學和語言學等學科?？梢哉f幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智能與思維科學的關系是實踐和理論的關系，人工智能是處于思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智能不僅限于邏輯思維，要考慮形象思維、靈感思維才能促進人工智能的突破性的發(fā)展，數(shù)學常被認為是多種學科的基礎科學，數(shù)學也進入語言、思維領域，人工智能學科也必須借用數(shù)學工具，數(shù)學不僅在標準邏輯、模糊數(shù)學等范圍發(fā)揮作用，數(shù)學進入人工智能學科，它們將互相促進而更快地發(fā)展。
4.常用算法算法
在網(wǎng)上找到一篇文章，希望能幫上你的忙 近日導師讓偶專門研究了人工智能中的一個經(jīng)典算法： 有很多感想，寫出來與大家共勉，這是上篇： 初識A*算法 A*算法在人工智能中是一種典型的啟發(fā)式搜索算法，為了說清楚A*算法，我看還是先說 說何謂啟發(fā)式算法。
一、何謂啟發(fā)式搜索算法： 在說它之前先提提狀態(tài)空間搜索。狀態(tài)空間搜索，如果按專業(yè)點的說法就是將問題求解 過程表現(xiàn)為從 初始狀態(tài)到目標狀態(tài)尋找這個路徑的過程。
通俗點說，就是在解一個問題 時，找到一條解題的過程可以從 求解的開始到問題的結果（好象并不通俗哦）。 由于求 解問題的過程中分枝有很多，主要是求解過程中求 解條件的不確定性，不完備性造成的 ，使得求解的路徑很多這就構成了一個圖，我們說這個圖就是狀態(tài)空 間。
問題的求解實 際上就是在這個圖中找到一條路徑可以從開始到結果。這個尋找的過程就是狀態(tài)空間搜 索。
常用的狀態(tài)空間搜索有深度優(yōu)先和廣度優(yōu)先。廣度優(yōu)先是從初始狀態(tài)一層一層向下找， 直到找到目標 為止。
深度優(yōu)先是按照一定的順序前查找完一個分支，再查找另一個分支 ，以至找到目標為止。這兩種算 法在數(shù)據(jù)結構書中都有描述，可以參看這些書得到更詳 細的解釋。
前面說的廣度和深度優(yōu)先搜索有一個很大的缺陷就是他們都是在一個給定的狀態(tài)空間中 窮舉。這在狀 態(tài)空間不大的情況下是很合適的算法，可是當狀態(tài)空間十分大，且不預測 的情況下就不可取了。
他的效率 實在太低，甚至不可完成。在這里就要用到啟發(fā)式搜索 了。
啟發(fā)式搜索就是在狀態(tài)空間中的搜索對每一個搜索的位置進行評估，得到最好的位置， 再從這個位置 進行搜索直到目標。這樣可以省略大量無畏的搜索路徑，提到了效率。
在 啟發(fā)式搜索中，對位置的估價是 十分重要的。采用了不同的估價可以有不同的效果。
我 們先看看估價是如何表示的。 啟發(fā)中的估價是用估價函數(shù)表示的，如： f(n) = g(n) + h(n) 其中f(n) 是節(jié)點n的估價函數(shù)，g(n)實在狀態(tài)空間中從初始節(jié)點到n節(jié)點的實際代價，h (n)是從n到目 標節(jié)點最佳路徑的估計代價。
在這里主要是h(n)體現(xiàn)了搜索的啟發(fā)信息， 因為g(n)是已知的。如果說詳細 點，g(n)代表了搜索的廣度的優(yōu)先趨勢。
但是當h(n) >> g(n)時，可以省略g(n)，而提高效率。這些就深了， 不懂也不影響啦！我們繼續(xù)看看 何謂A*算法。
二、初識A*算法： 啟發(fā)式搜索其實有很多的算法，比如：局部擇優(yōu)搜索法、最好優(yōu)先搜索法等等。當然A* 也是。
這些算法 都使用了啟發(fā)函數(shù)，但在具體的選取最佳搜索節(jié)點時的策略不同。象局 部擇優(yōu)搜索法，就是在搜索的過程中 選取“最佳節(jié)點”后舍棄其他的兄弟節(jié)點，父親節(jié) 點，而一直得搜索下去。
這種搜索的結果很明顯，由于舍 棄了其他的節(jié)點，可能也把最 好的節(jié)點都舍棄了，因為求解的最佳節(jié)點只是在該階段的最佳并不一定是全局 的最佳。 最好優(yōu)先就聰明多了，他在搜索時，便沒有舍棄節(jié)點（除非該節(jié)點是死節(jié)點），在每一 步的估價中 都把當前的節(jié)點和以前的節(jié)點的估價值比較得到一個“最佳的節(jié)點”。
這樣 可以有效的防止“最佳節(jié)點”的 丟失。那么A*算法又是一種什么樣的算法呢？其實A*算 法也是一種最好優(yōu)先的算法。
只不過要加上一些約束 條件罷了。由于在一些問題求解時 ，我們希望能夠求解出狀態(tài)空間搜索的最短路徑，也就是用最快的方法求 解問題，A*就 是干這種事情的！我們先下個定義，如果一個估價函數(shù)可以找出最短的路徑，我們稱之 為可采 納性。
A*算法是一個可采納的最好優(yōu)先算法。A*算法的估價函數(shù)克表示為： f'(n) = g'(n) + h'(n) 這里，f'(n)是估價函數(shù)，g'(n)是起點到終點的最短路徑值，h'(n)是n到目標的最斷路 經(jīng)的啟發(fā)值。
由 于這個f'(n)其實是無法預先知道的，所以我們用前面的估價函數(shù)f(n) 做近似。 g(n)代替g'(n)，但 g(n)>=g'(n) 才可（大多數(shù)情況下都是滿足的，可以不用 考慮），h(n)代替h'(n)，但h(n) 我們說應用這種估價函數(shù)的 最 好優(yōu)先算法就是A*算法。
哈！你懂了嗎？肯定沒懂！接著看！ 舉一個例子，其實廣度優(yōu)先算法就是A*算法的特例。其中g(n)是節(jié)點所在的層數(shù)，h(n) =0，這種h(n)肯 定小于h'(n)，所以由前述可知廣度優(yōu)先算法是一種可采納的。
實際也 是。當然它是一種最臭的A*算法。
再說一個問題，就是有關h(n)啟發(fā)函數(shù)的信息性。h(n)的信息性通俗點說其實就是在估 計一個節(jié)點的值 時的約束條件，如果信息越多或約束條件越多則排除的節(jié)點就越多，估 價函數(shù)越好或說這個算法越好。
這就 是為什么廣度優(yōu)先算法的那么臭的原因了，誰叫它 的h(n)=0，一點啟發(fā)信息都沒有。但在游戲開發(fā)中由于實 時性的問題，h(n)的信息越多 ，它的計算量就越大，耗費的時間就越多。
就應該適當?shù)臏p小h(n)的信息，即 減小約束 條件。但算法的準確性就差了，這里就有一個平衡的問題。
可難了，這就看你的編程了！ 。
5.智能學習算法有哪些
智能計算也有人稱之為“軟計算”，是們受自然（生物界）規(guī)律的啟迪，根據(jù)其原理，模仿求解問題的算法。
從自然界得到啟迪，模仿其結構進行發(fā)明創(chuàng)造，這就是仿生學。這是我們向自然界學習的一個方面。
另一方面，我們還可以利用仿生原理進行設計（包括設計算法），這就是智能計算的思想。這方面的內容很多，如人工神經(jīng)網(wǎng)絡技術、遺傳算法、模擬退火算法、模擬退火技術和群集智能技術等。
1、人工神經(jīng)網(wǎng)絡算法 “人工神經(jīng)網(wǎng)絡”（ARTIFICIAL NEURAL NETWORK，簡稱ANN）是在對人腦組織結構和運行機制的認識理解基礎之上模擬其結構和智能行為的一種工程系統(tǒng)。早在本世紀40年代初期，心理學家McCulloch、數(shù)學家Pitts就提出了人工神經(jīng)網(wǎng)絡的第一個數(shù)學模型，從此開創(chuàng)了神經(jīng)科學理論的研究時代。
其后，F(xiàn) Rosenblatt、Widrow和J. J .Hopfield等學者又先后提出了感知模型，使得人工神經(jīng)網(wǎng)絡技術得以蓬勃發(fā)展。 幾種典型神經(jīng)網(wǎng)絡簡介 1.1 多層感知網(wǎng)絡（誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡） 在1986年以Rumelhart和McCelland為首的科學家出版的《Parallel Distributed Processing》一書中，完整地提出了誤差逆?zhèn)鞑W習算法，并被廣泛接受。
多層感知網(wǎng)絡是一種具有三層或三層以上的階層型神經(jīng)網(wǎng)絡。典型的多層感知網(wǎng)絡是三層、前饋的階層網(wǎng)絡，即：輸入層I、隱含層（也稱中間層）J和輸出層K。
相鄰層之間的各神經(jīng)元實現(xiàn)全連接，即下一層的每一個神經(jīng)元與上一層的每個神經(jīng)元都實現(xiàn)全連接，而且每層各神經(jīng)元之間無連接。 但BP網(wǎng)并不是十分的完善，它存在以下一些主要缺陷：學習收斂速度太慢、網(wǎng)絡的學習記憶具有不穩(wěn)定性，即：當給一個訓練好的網(wǎng)提供新的學習記憶模式時，將使已有的連接權值被打亂，導致已記憶的學習模式的信息的消失。
1.2 競爭型（KOHONEN）神經(jīng)網(wǎng)絡 它是基于人的視網(wǎng)膜及大腦皮層對剌激的反應而引出的。神經(jīng)生物學的研究結果表明：生物視網(wǎng)膜中，有許多特定的細胞，對特定的圖形（輸入模式）比較敏感，并使得大腦皮層中的特定細胞產(chǎn)生大的興奮，而其相鄰的神經(jīng)細胞的興奮程度被抑制。
對于某一個輸入模式，通過競爭在輸出層中只激活一個相應的輸出神經(jīng)元。許多輸入模式，在輸出層中將激活許多個神經(jīng)元，從而形成一個反映輸入數(shù)據(jù)的“特征圖形”。
競爭型神經(jīng)網(wǎng)絡是一種以無教師方式進行網(wǎng)絡訓練的網(wǎng)絡。它通過自身訓練，自動對輸入模式進行分類。
競爭型神經(jīng)網(wǎng)絡及其學習規(guī)則與其它類型的神經(jīng)網(wǎng)絡和學習規(guī)則相比，有其自己的鮮明特點。在網(wǎng)絡結構上，它既不象階層型神經(jīng)網(wǎng)絡那樣各層神經(jīng)元之間只有單向連接，也不象全連接型網(wǎng)絡那樣在網(wǎng)絡結構上沒有明顯的層次界限。
它一般是由輸入層（模擬視網(wǎng)膜神經(jīng)元）和競爭層（模擬大腦皮層神經(jīng)元，也叫輸出層）構成的兩層網(wǎng)絡。兩層之間的各神經(jīng)元實現(xiàn)雙向全連接，而且網(wǎng)絡中沒有隱含層。
有時競爭層各神經(jīng)元之間還存在橫向連接。競爭型神經(jīng)網(wǎng)絡的基本思想是網(wǎng)絡競爭層各神經(jīng)元競爭對輸入模式的響應機會，最后僅有一個神經(jīng)元成為競爭的勝者，并且只將與獲勝神經(jīng)元有關的各連接權值進行修正，使之朝著更有利于它競爭的方向調整。
神經(jīng)網(wǎng)絡工作時，對于某一輸入模式，網(wǎng)絡中與該模式最相近的學習輸入模式相對應的競爭層神經(jīng)元將有最大的輸出值，即以競爭層獲勝神經(jīng)元來表示分類結果。這是通過競爭得以實現(xiàn)的，實際上也就是網(wǎng)絡回憶聯(lián)想的過程。
除了競爭的方法外，還有通過抑制手段獲取勝利的方法，即網(wǎng)絡競爭層各神經(jīng)元抑制所有其它神經(jīng)元對輸入模式的響應機會，從而使自己“脫穎而出”，成為獲勝神經(jīng)元。除此之外還有一種稱為側抑制的方法，即每個神經(jīng)元只抑制與自己鄰近的神經(jīng)元，而對遠離自己的神經(jīng)元不抑制。
這種方法常常用于圖象邊緣處理，解決圖象邊緣的缺陷問題。 競爭型神經(jīng)網(wǎng)絡的缺點和不足：因為它僅以輸出層中的單個神經(jīng)元代表某一類模式。
所以一旦輸出層中的某個輸出神經(jīng)元損壞，則導致該神經(jīng)元所代表的該模式信息全部丟失。 1.3 Hopfield神經(jīng)網(wǎng)絡 1986年美國物理學家J.J.Hopfield陸續(xù)發(fā)表幾篇論文，提出了Hopfield神經(jīng)網(wǎng)絡。
他利用非線性動力學系統(tǒng)理論中的能量函數(shù)方法研究反饋人工神經(jīng)網(wǎng)絡的穩(wěn)定性，并利用此方法建立求解優(yōu)化計算問題的系統(tǒng)方程式?；镜腍opfield神經(jīng)網(wǎng)絡是一個由非線性元件構成的全連接型單層反饋系統(tǒng)。
網(wǎng)絡中的每一個神經(jīng)元都將自己的輸出通過連接權傳送給所有其它神經(jīng)元，同時又都接收所有其它神經(jīng)元傳遞過來的信息。即：網(wǎng)絡中的神經(jīng)元t時刻的輸出狀態(tài)實際上間接地與自己的t-1時刻的輸出狀態(tài)有關。
所以Hopfield神經(jīng)網(wǎng)絡是一個反饋型的網(wǎng)絡。其狀態(tài)變化可以用差分方程來表征。
反饋型網(wǎng)絡的一個重要特點就是它具有穩(wěn)定狀態(tài)。當網(wǎng)絡達到穩(wěn)定狀態(tài)的時候，也就是它的能量函數(shù)達到最小的時候。
這里的能量函數(shù)不是物理意義上的能量函數(shù)，而是在表達形式上與物理意義上的能量概念一致，表征網(wǎng)絡狀態(tài)的變化趨勢，并可以依據(jù)Hopfield工作運行規(guī)則不斷進行狀態(tài)變化，最終能夠達到的某個極小值的目標函數(shù)。網(wǎng)絡收斂就是指能量函數(shù)達到極小值。
如果把一個最優(yōu)化問題的。
6.人工智能算法都有哪些
這是infoq上面最近的文章，說的是蒙特卡洛算法來解圍棋問題。
目前比較主流方法，大概就是機器學習和神經(jīng)網(wǎng)絡了。
/cn/presentations/computer-go-monte-carlo-search-and-statistical-learning?utm_source=infoq&utm_medium=videos_homepage&utm_campaign=videos_row2
7.人工智能都學習哪些方面的知識
基于人工智能的發(fā)展優(yōu)勢，很多小伙伴都想要在這個領域大展宏圖，但擺在面前的三道門檻是需要你逐一攻克的。本文分享一下人工智能入門的三道屏障。
門檻一、數(shù)學基礎
我們應該了解過，無論對于大數(shù)據(jù)還是對于人工智能而言，其實核心就是數(shù)據(jù)，通過整理數(shù)據(jù)、分析數(shù)據(jù)來實現(xiàn)的，所以數(shù)學成為了人工智能入門的必修課程！
數(shù)學技術知識可以分為三大學科來學習：
1、線性代數(shù)，非常重要，模型計算全靠它~一定要復習扎實，如果平常不用可能忘的比較多；
2、高數(shù)+概率，這倆只要掌握基礎就行了，比如積分和求導、各種分布、參數(shù)估計等等。
提到概率與數(shù)理統(tǒng)計的重要性，因為cs229中幾乎所有算法的推演都是從參數(shù)估計及其在概率模型中的意義起手的，參數(shù)的更新規(guī)則具有概率上的可解釋性。對于算法的設計和改進工作，概統(tǒng)是核心課程，沒有之一。當拿到現(xiàn)成的算法時，僅需要概率基礎知識就能看懂，然后需要比較多的線代知識才能讓模型高效的跑起來。
3、統(tǒng)計學相關基礎
回歸分析（線性回歸、L1/L2正則、PCA/LDA降維）
聚類分析（K-Means）
分布（正態(tài)分布、t分布、密度函數(shù)）
指標（協(xié)方差、ROC曲線、AUC、變異系數(shù)、F1-Score）
顯著性檢驗（t檢驗、z檢驗、卡方檢驗）
A/B測試
門檻二、英語水平
我這里說的英語，不是說的是英語四六級，我們都知道計算機起源于國外，很多有價值的文獻都是來自國外，所以想要在人工智能方向有所成就，還是要讀一些外文文獻的，所以要達到能夠讀懂外文文獻的英語水平。
門檻三、編程技術
首先作為一個普通程序員，C++ / Java / Python 這樣的語言技能棧應該是必不可少的，其中 Python 需要重點關注爬蟲、數(shù)值計算、數(shù)據(jù)可視化方面的應用。
人工智能入門的三道門檻，都是一些必備的基礎知識，所以不要嫌麻煩，打好基礎很關鍵！.
8.人工智能需要學些什么
廣義的說，人工智能包含諸多不同的方法，其主旨是讓程序像一個智能體一樣解決問題。
機器d學習是實現(xiàn)人工智能的一種方法，它不完全依靠預先設計，而是從數(shù)據(jù)中進行總結，達到模擬記憶、推理的作用。包括諸如支持向量機（SVM）、各類基于決策樹的算法（包括Boosting、Bagging、Random Forest等），各類基于人工神經(jīng)網(wǎng)絡的算法（例如簡單網(wǎng)絡及深度網(wǎng)絡等），以及多方法的集成等。
基于人工智能的發(fā)展優(yōu)勢，很多小伙伴都想要在這個領域大展宏圖，但擺在面前的三道門檻是需要你逐一攻克的。本文千鋒給大家分享一下人工智能入門的三道屏障。
門檻一、數(shù)學基礎我們應該了解過，無論對于大數(shù)據(jù)還是對于人工智能而言，其實核心就是數(shù)據(jù)，通過整理數(shù)據(jù)、分析數(shù)據(jù)來實現(xiàn)的，所以數(shù)學成為了人工智能入門的必修課程！數(shù)學技術知識可以分為三大學科來學習：1、線性代數(shù)，非常重要，模型計算全靠它~一定要復習扎實，如果平常不用可能忘的比較多；2、高數(shù)+概率，這倆只要掌握基礎就行了，比如積分和求導、各種分布、參數(shù)估計等等。提到概率與數(shù)理統(tǒng)計的重要性，因為cs229中幾乎所有算法的推演都是從參數(shù)估計及其在概率模型中的意義起手的，參數(shù)的更新規(guī)則具有概率上的可解釋性。
對于算法的設計和改進工作，概統(tǒng)是核心課程，沒有之一。當拿到現(xiàn)成的算法時，僅需要概率基礎知識就能看懂，然后需要比較多的線代知識才能讓模型高效的跑起來。
3、統(tǒng)計學相關基礎回歸分析（線性回歸、L1/L2正則、PCA/LDA降維）聚類分析（K-Means）分布（正態(tài)分布、t分布、密度函數(shù)）指標（協(xié)方差、ROC曲線、AUC、變異系數(shù)、F1-Score）顯著性檢驗（t檢驗、z檢驗、卡方檢驗）A/B測試門檻二、英語水平我這里說的英語，不是說的是英語四六級，我們都知道計算機起源于國外，很多有價值的文獻都是來自國外，所以想要在人工智能方向有所成就，還是要讀一些外文文獻的，所以要達到能夠讀懂外文文獻的英語水平。門檻三、編程技術首先作為一個普通程序員，C++ / Java / Python 這樣的語言技能棧應該是必不可少的，其中 Python 需要重點關注爬蟲、數(shù)值計算、數(shù)據(jù)可視化方面的應用。
人工智能入門的三道門檻，都是一些必備的基礎知識，所以不要嫌麻煩，打好基礎很關鍵。
