1.以后从事人工智能需要学习什么
阶段一：Python开发基础
Python全栈开发与人工智能之Python开发基础知识学习内容包括：Python基础语法、数据类型、字符编码、文件操作、函数、装饰器、迭代器、内置方法、常用模块等。
阶段二：Python高级编程和数据库开发
Python全栈开发与人工智能之Python高级编程和数据库开发知识学习内容包括：面向对象开发、Socket网络编程、线程、进程、队列、IO多路模型、Mysql数据库开发等。
阶段三：前端开发
Python全栈开发与人工智能之前端开发知识学习内容包括：Html、CSS、JavaScript开发、Jquery&bootstrap开发、前端框架VUE开发等。
阶段四：WEB框架开发
Python全栈开发与人工智能之WEB框架开发学习内容包括：Django框架基础、Django框架进阶、BBS+Blog实战项目开发、缓存和队列中间件、Flask框架学习、Tornado框架学习、Restful API等。
阶段五：爬虫开发
Python全栈开发与人工智能之爬虫开发学习内容包括：爬虫开发实战。
阶段六：全栈项目实战
Python全栈开发与人工智能之全栈项目实战学习内容包括：企业应用工具学习、CRM客户关系管理系统开发、路飞学城在线教育平台开发等。
阶段七：算法&设计模式
阶段八：数据分析
Python全栈开发与人工智能之数据分析学习内容包括：金融量化分析。
阶段九：机器学习、图像识别、NLP自然语言处理
Python全栈开发与人工智能之人工智能学习内容包括：机器学习、图形识别、人工智能玩具开发等。
阶段十：Linux系统&百万级并发架构解决方案
阶段十一：高并发语言GO开发
Python全栈开发与人工智能之高并发语言GO开发学习内容包括：GO语言基础、数据类型与文件IO操作、函数和面向对象、并发编程等。
2.学习人工智能AI需要哪些知识
关于什么是“智能”，就问题多多了。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（unconscious_mind）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–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，专家系统等。
人工智能（Artificial Intelligence）是研究解释和模拟人类智能、智能行为及其规律的一门学科。其主要任务是建立智能信息处理理论，进而设计可以展现某些近似于人类智能行为的计算系统。AI作为计算机科学的一个重要分支和计算机应用的一个广阔的新领域，它同原子能技术，空间技术一起被称为20世纪三大尖端科技。
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。
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。
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。
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。谓词逻辑是演绎推理的基础。结构化表示下的继承性能推理是非演绎性的。由于知识处理的需要，近几年来提出了多种非演泽的推理方法，如连接机制推理、类比推理、基于示例的推理、反绎推理和受限推理等。
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。启发式知识常由启发式函数来表示，启发式知识利用得越充分，求解问题的搜索空间就越小。典型的启发式搜索方法有A*、AO*算法等。近几年搜索方法研究开始注意那些具有百万节点的超大规模的搜索问题。
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。
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。如果在知识库中存储的是某一领域（如医疗诊断）的专家知识，则这样的知识系统称为专家系统。为适应复杂问题的求解需要，单一的专家系统向多主体的分布式人工智能系统发展，这时知识共享、主体间的协作、矛盾的出现和处理将是研究的关键问题。
3.从事AI这一行,大学需要学习什么专业,哪个学校比较好,我不想读
AI是计算机专业的一个方向，单独作为一个专业它还不够格，不是不够难，而是基础理论全都是计算机专业里的，不够独立。
AI在国内外都是新发展方向，目前来说还没有形成特别强势的积累，一般是依靠学校名气和计算机系的师资水平来排名的，国内计算机最强无非是清华科大。
至于说不读研，倒不是说完全不能就业，但这个行业还处于发展初期，技术换代快，技术含量高，博士后都未必敢保证自己的知识过个十年八年还能保持压制，读个本科就去对口的地方工作的话，怕是一两年知识水平就跟不上了，单位公司也不会重用你。
4.想自学AI设计,除了会AI软件外,还需要AI设计的专业知识,不过网
我是09年时学习的ai，之前会ps和cdr，当时比较抵触ai的，因为以为自己会cdr这样的矢量软件就没有必要再学ai了，但是我所在的公司为统一软件，要求每个人都必须熟练操作，当时也没人教我，我给自己的任务就是每天描一张图，还是那种很复杂的，比如照相机照片，再不断逼迫自己的情况下，我熟练操作ai大概只用了一个周时间。
我觉得学ai最关键是要给自己压力，别的都是浮云，因为说实在的这个软件比较easy。
希望您早日成功。
5.学人工智能工程师
我看了很多朋友的回答，都是从计算机语言到数学算法轮番说了一遍。
我在IT行业从业超过20年。觉得这样的学习方法已经跟不上时代了。
甚至是错误的。学习人工智能不需要任何基础，你会windows就可以。
诚然人工智能里面包含了大量的数学算法和计算机语言。比如人工智能最火热的领域机器学习和深度学习以及神经元算法，文献枯燥难懂，就是懂了，还需要灵活的应用到实际当中，不同案例不一定适用。
所以下面我具体从学习的方法和目的两个层面回答人工智能需要什么基础这个问题.学习的目的：实际说不好听话，任何人都是为了收入更高，职业更理想去接触人工智能这个领域的。就是一个学者去研究人工智能无外乎在学术上有所建树，最后在转化为金钱。
那么今天我们可以直接说我们学习人工智能的目的就是赚钱，那么怎么赚钱，无外乎找工作和承揽项目。那么这两个方向需要样样俱全的基础么？答案是否定的！ d我们更应该直接从项目入手，什么项目直接找到对应的人工智能案例，迅速切入案例为主。
在实践中不断完成基础的搭建，遇到不会的不解的逐步通过经验来了解。就像神经元网络，人从来都需要第一个神经元来构筑这个网络，如果这个神经元距离你学习的目的太远，迟迟得不到正向的激励，那么迟早你会丧失兴趣而选择离开这个行业。
我们昂钛客AI人工社群的目标，就是用40行左右的大量案例和实验，来高速迭代学习人工智能的案例，另外只有大量的案例练习和实践，才能对基础知识有深刻的认识。学习的方法：这位朋友既然想知道需要什么基础，正常思路是先学完这些基础课程在切入人工智能领域。
比如数学方面的：机器学习，深度学习，神经元算法。傅里叶变换，小波算法，时间序列，甚至初级的高等代数，概率论等。
计算机语言方面的：因为tensorflow和caffe都是应用在linux环境下最为普遍，所以csh,bsh要会，那么标准c,c++也应该了解。而python更是案例最多的语言。
而go呢也代表未来。学完软件肯定你觉得这是不是基础呢？错了，硬件你应该了解编译原理，和操作系统，因为现在深度学习大量应用到了并行处理，你对硬件不熟悉，怎么能在有限的资源下实现更好的算法。
还有大量虚拟机和gpu,tpu的硬件知识扑面而来。