指南：本文的首席执行官注释将向您介绍哪些教科书与人工智能专业有关。我希望这对每个人都会有所帮助。让我们来看看。
您学习人工智能所需的课程如下：
人工智能专业主要需要学习：“人工智能，社会和人文学科”，“人工智能哲学与伦理的地点和伦理”，“高级机器人控制”，“认知机器人”，“机器人计划和学习”，“机器人计划和学习”，“团体智能”和自主系统”，“无人驾驶技术和系统实现”，“游戏设计和开发”，“计算机图形”，“虚拟现实和增强现实”，“现代人工智能I”。
就业前景
前景非常好。中国正在升级该行业。工业机器人和人工智能将是一个很强的热点，这正是3到5年之后的时间。难度绝对很高。它要求您具有创新的思维能力。计算，配额等大量必须非常好。软件编程（最广泛使用的语言：C/C ++）必须非常好。微电子（数字电路，低频高频仿真电路，最重要的是嵌入式编程功能。）您必须学习良好。
必须具有一定的机械设计能力（太空思维能力很重要）。在这种情况下，您是才华，您是中国在未来五年中急需的人工智能领域的才能。一项更深入的研究，您是您的深入研究是该领域的专家甚至硕士。
Netizen 2：人工智能基于计算机技术，依靠算法和模仿人脑神经元结构。在大数据的统计数据下，使用高端计算机语言Python和其他X86或Linux体系结构系统进行深入学习，依赖图形质量的智能人工智能类似于人类脑的思维，对GPU组和CPU的体系结构类似对人的脑思维。
彼得·诺维格（Peter Norvig
主教，“模式识别和机器学习”。没有照片，但是可以在互联网上。Classics.pattern分类和本书是两本书。“模式识别和机器学习”是非常新的（2007年），这很容易做到很多手。
推荐两本有趣的书，
一种是“简单的启发式方法，使我们变得聪明”
另一个是“有限的理性：自适应工具箱”
-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
从CSDN转载
机器学习和人工智能学习资源的指导
我经常在上语言讨论小组中推荐一些书籍，并经常要求牛人们搜索一些相关信息，人工智能，机器学习，自然语言处理，知识发现（尤其是数据挖掘）和信息检索。在现场（也彼此紧密相连）。在这里，与机器学习和人工智能有关的一些最近的学习资源属于一个类：
第一个是两个非常好的Wikipedia条目。我也是维基百科的沉重使用者。当学习一件事时，我经常发现它从Wikipedia中间的几个Google开始，然后停在某些或几件作品中。
首先是“人工智能史”。我在讨论小组中写道：
我今天看到的文章是我最好在Wikipedia上查看它的最佳信息。该文章被称为“人工智能史”，该文章遵循AI的开发时间表。有无数的故事，关于牛的中间，转弯的浪潮是宏伟的。人工智能始于哲学的猜测，并在没有心理学的情况下经历了一个帮助阶段（尤其是认知神经科学）。它仅探讨人类思维，内部省份和数学工具的非凡表现。同时，最令人兴奋的是赫伯特·西蒙（Herbert Simon）（决策理论的父亲，诺贝尔奖，诺贝尔奖，交叉域）撰写的自动证明机器牛），证明了罗素的数学原理的20个定理，其中之一与原始书相同。它也很优雅。Simon的程序使用了Inspration搜索，因为公理系统中的证明可以简化为从条件到结论的树形搜索（但由于组合的爆炸爆发，您必须使用Inspiration Pruning）。Simon撰写了GPS（Simon）（Simon）（Simon）写了GPS（据说通用推荐求解器），它可以解决一些良好和形式的问题，例如汉诺塔。但最终，西蒙的研究只会触及人类思维的一个很小的方面 - 形式逻辑，甚至是较窄的推理推理（这就是IS，不包括归纳推理，跨传播推理（通常称为类似思维）。常见的意义，视觉，尤其是最复杂的语言和意识都是神秘的。另一件事是，有些人认为必须由AI问题支持身体，可以感觉到这个世界上世界的物理规则的身体。它是一个强大的信息来源。基于这种信息来源，人类可以总结所谓的共同传统SE知识（这是所谓的体现思想理论），否则 一些女儿将直接手动建立常识知识。基本非常愚蠢和天真。要求人们根据感知系统从自然世界中获取知识是动态自动更新系统，而手动构造常识并不符合古代专家系统。我个人发现它更有趣或新颖。每个人都看到的有趣的地方是不同的。对于其他地方的审查计划。
顺便说一句，Xu Yan打算找时间翻译此注释。这是一个很大的酒吧。
第二个是“人工智能”。当然，有机器学习等。从这些条目中，可以找到许多非常有用和可靠的参考材料。
然后一些书
图书：
1.近年来，“编程集体情报”的进入，培养兴趣是最重要的部分。
2.彼得·诺维格（Peter Norvig）的“ AI，现代方法第二”（无疑领域的经典）。
3.“统计元素”，这是相对数学的，可以用作参考。
4.“统计基础自然语言处理”，在自然语言处理领域公认的经典作品。
5.“数据挖掘，概念和技术”，中国科学家撰写的一本书非常深。
6.“管理千兆字节”，信息检索。
7.“信息理论：推理和学习算法”，请参阅《更深层次的书》。
相关数学基础（参考书，不适合阅读）：
1.线性代数：未列出此参考书，许多。
2.矩阵数学：矩阵分析，罗杰·霍恩（Roger Horn）。在矩阵分析领域中没有有争议的经典。
3.概率理论和统计学：“概率理论及其应用”，威廉·弗勒（William Ferler）也是一本非常好的书，但是数学的味道太重了，不适合机器学习。推荐“所有统计数据”，并说
机器学习的方向对于统计数据也非常重要。请强调所有统计信息，这是一本非常简洁的CMU教科书，对概念的关注，简化计算，简化与机器学习无关的概念和统计内容，哪些与机器学习无关可以说是一种很好的快速入门材料。
4.优化方法：“非线性编程（第二”非线性计划参考书。“凸优化”参考书。加上一些书籍，可以参考Wikipedia.in上的优化方法条目 - 深度理解 -机器学习方法的技术细节多次（例如SVM）需要优化的方法，以铺平道路。
王宁推荐了几本书：
“机器学习，汤姆·米歇尔”，1997年。
旧书，牛。现在看来内容并不深。到目前为止，许多章节都感觉有些不适，但是它非常适合新手（当然，您不能“新”开始使用算法和概率）。例如，制定树非常令人兴奋，而且它具有近年来，这并不是特殊的进展，因此没有过时。此外，这本书是1997年数十年的机器学习的摘要。参考列表非常有价值。中国有翻译和影印本。我不知道它们是否绝版。
“现代信息检索，Ricardo Baeza-Yates等人”。1999
旧书，牛。看起来像第一本关于IR的书。雅虎研究欧洲和拉丁美洲。
“模式分类（2ED）”，Richard O. Duda，Peter E. Hart，David G. Stork
它也大约是2001年，带有照片版本和颜色。。
也有一些经典作品只有一方，我没有资格评估。还有两个小册子，这是论文的本质，但它谈论了很多切割 - 边缘和细节，例如索引如何压缩不幸的是，我忘记了这个名字，再次被我压了。我担心在搬家前一天很难看到。
（哦，请记住一本书：“挖掘网络 - 从超文本数据中发现知识”）
说一本很棒的书：“数据挖掘：实用的机器学习工具和技术”。WEKA的作者写道。大量的输入书，这不应该阅读。如果您想学习了解WEKA，只需阅读文档。第二版已发布，我没有读过，就不清楚。
在信息检索方面，杜雷再次建议：
现在，建议您获得该书的检索，以阅读斯坦福大学的“信息检索简介”。这本书刚刚正式出版。当然，内容是最新的。此外，最大的Niu Croft的信息检索也在撰写教科书，应该很快发布。据说这是一本非常实用的书。
对信息检索感兴趣的学生强烈推荐北京大学Zhai Chengxiang博士的暑期学校课程。都有幻灯片和阅读材料：
Maximzhao推荐了一项机器学习：
添加一本书：主教，“模式识别和机器学习”。没有动作，但是可以在线上进行。Classics.pattern分类和这本书是两本书。“模式识别和机器学习”非常新（2007年），这很容易做到很多手。
最后，关于人工智能（尤其是决策和判断），然后推荐两本有趣的书，
一种是“简单的启发式方法，使我们变得聪明”
另一个是“有限的理性：自适应工具箱”
与计算机学院中使用的统计机器学习方法不同，这两本书更多地基于人类使用的认知方法。以下是我在讨论小组中写的简短介绍：
他们俩都是由德国ABC研究团队（由计算机科学家，认知科学家，神经科学，经济学家，数学家，统计学家等组成的跨学科研究小组的统一编写的。）。后者是赫伯特·西蒙（Herbert Simon）的扩张（决策的父亲 - 制造科学，诺贝尔奖获得者）。桌子上提出了问题。核心思想是，我们的大脑根本无法做很多统计计算，并使用Fancy's数学技术来解释和预测世界。中间的两个非常著名的灵感中提到的两种：认知启发式和最佳选择。当然，这两本书不排除统计方法。统计优势出现了，当数据量很小时，统计方法变得非常糟糕。人类的简单灵感定律在生态环境中充分利用了规律性，所有这些都计算出小的复杂性和鲁棒性。
第二本书简介：
1.谁是赫伯特·西蒙
2.什么是有限的理性
3.这本书怎么说：
我一直认为人类的决策和判断是一个非常迷人的问题。这本书简单地说，它可以被视为“决策和判断”的更全面和理论的版本。系统和理论上介绍了各种灵感方法。人类决策 - 制定和判断力（启发式方法）及其优势（在捷径和风险的情况下，为什么它们是最优化的方法，以及为什么在某些情况下会带来不良后果。例如，那些学习机器学习的人知道在许多情况下，简单的贝叶斯方法通常并不比贝叶斯网络差，并且更快。
这里的书中提到的示例非常有趣：两支团队被派去设计一个可以在现场捕捉棒球的机器人。在第一组中，进行了详细的数学分析，并且非常复杂的抛物线线近似模型是已建立（因为有必要考虑诸如空气阻力之类的原因，因此它不是严格的抛物线线），该线用于计算球的着陆点以正确接收到正确接收。，实际操作也需要时间。每个人都知道，生物神经网络中的生物识别技术每秒只有100米，因此计算复杂性是生物的宝贵资源。还不够好。第二组采访了真正的运动员，并听取了他们如何汇总他们如何获得球的。，然后他们做了这样的机器人：这个机器人在球的开头没有做任何事情。然后才开始跑步，并在跑步过程中保持了球之间的视角，后者确保了机器人的跑步路线一定会有轨迹估算的角度。体验您的眼睛是否总是在获得球时盯着球，然后从视线的角度调整跑步方向？实际上，人类这样做，这是这样做的是启发式方法的力量。
与对心理学和流行科学有偏见的“决策和判断”相比，这本书更具理论性，文学和经典的引用很多，并与人工智能和机器学习交叉。其中也有许多数学内容。这本书由十几章组成。每章都是由不同的作者撰写的。它类似于纸。它非常严格，没有胡说八道。它类似于“解决问题的心理学”。更适合怪胎阅读。
此外，建议阅读诸如“决策和判断”之类的书籍（以及像傻瓜一样的傻瓜），也建议用于理论细节。决定和判断。不幸的是，其中许多是在数十万年前的社会环境中建立的，这不适合现代社会。盲点可以成为一个好的决策者，这也是一个非常有趣的领域。
（超过）
您好，人工智能是基于计算机，心理学，哲学和其他基于计算机科学的多学科的跨学科和新兴学科。生产新的智能机器，可以响应人类的智力相似性。该领域的研究包括机器人，语言识别和语言识别，语言识别和语言识别，语言识别，语言识别以及语言识别，语言识别和语言识别，语言识别，语言识别以及语言识别，语言识别和语言识别，语言识别和语言识别，语言识别和语言识别，语言识别和语言识别，语言识别以及语言识别，语言识别和语言识别，语言识别，语言识别以及语言识别，语言识别和语言识别，语言识别和语言识别，语言识别以及语言识别，语言识别和语言识别。图像识别，自然语言处理和专家系统。
主要学习的课程是：“人工智能，社会和人文学科”，“人工智能哲学与伦理的基本和伦理”，“高级机器人控制”，“认知机器人”，“机器人计划和学习自主系统”，“无人驾驶技术和系统实现”，“游戏设计与开发”，“计算机图形”，“虚拟现实和增强现实”，“现代人工智能I”，“表达和解决方案”，“现代方法II人工智能”，“机器学习，自然语言处理，计算机视觉”等。
结论：以上是CTO首席执行官注明有关人工智能专业的教科书的所有内容。我希望这对每个人都会有所帮助。如果您想了解有关此信息的更多信息，请记住收集并关注此网站。