人工智能数学要求有多高，别走弯路了
一说到人工智能，很多人都觉得非常高深，对技术人员的要求非常高，尤其是数学的要求太高。
我们常说，人工智能两条腿，一是python一是数学，python今天先不说，如果你就是要转行做人工智能，前期我想要说的是，数学真的没那么高要求，懂了这三个就够了。
1.五分钟搞定人工智能数学之线性代数
2.五分钟搞定人工智能数学之高等数学
3.五分钟搞定人工智能数学之概率论
看完了，你就可以考虑一下自己转人工智能会不会被数学给拦下来了。
在强调一下，AI对于数学确实有一定的要求，但是对于我们只希望转行从事AI行业的朋友来说，不要把数学钻的太深，人的精力都是有限的
顺便普及一下，目前AI人才市场需求比较旺盛的三个大方向，大家可以根据自身的知识基础和兴趣爱好，先往一个方向持续发力。
CV--计算机视觉，主要用到的技术涉及到：图像分类算法，目标检测算法，图像分割算法等，CV方向的应用也很广泛，在制造业、安防、文字识别等目前都有大量的应用。
NLP--自然语言处理，主要用到的技术有：分词模型，语言模型，知识图谱等，NLP方向目前的应用也很广泛，比如文本分类、自动摘要等。在一些互联网大厂通常会有一个NLP团队。
推荐系统方向，主要用到的技术有相关性分析、推荐模型，同时还需要有一定的CV或NLP技术基础，推荐系统的应用在手机APP上面就能明显感觉到：个性化推荐、内容资讯推荐
为什么数学对人工智能至关重要
线性代数有助于产生新的想法，这就是为什么它是人工智能科学家和研究人员必须学习的东西。他们可以用标量、向量、张量、矩阵、集合和序列、拓扑、博弈论、图论、函数、线性变换、特征值和特征向量的概念来建立模型。
向量
矩阵理论
在科幻电影中，你通常会看到，通过执行一些类似于神经系统的计算结构，产生了一个神经网络，它生成神经元之间的连接，以匹配人类大脑的推理方式。将矩阵的概念引入到神经网络的研究中
神经网络可以通过形成三层人工神经元来实现非线性假设：
1.输入层
2.隐藏层
3.输出层
人工智能科学家根据神经网络的隐藏层数量及其连接方式对其进行分类
这些人工神经元可以形成神经网络，这花了大约20年的时间才发现。
特征向量
搜索引擎排名的科学是建立在数学科学的基础上的。页面排名，这正是谷歌作为一家基于数学视角的公司的基础。页面排名是一种算法，最初由拉里·佩奇和谢尔盖·布林在他们的研究论文《大型超文本Web搜索引擎的剖析》中提出。在这一巨大突破的背后，使用了数百年来众所周知的特征值和特征向量的基本概念。
机器人爬虫程序首先检索网页，然后通过分配页面排名值对其进行索引和编目。每个页面的可信度取决于该页面的链接数。
给定页P的秩r（P）假定为，
为了得到收敛速性和收敛速度，对矩阵P进行了调整。当矩阵P的和达到1时，称之为行随机矩阵。页面等级迭代表示一个马尔科夫链的演化，其中web有向图表示为转移概率矩阵P。
它显示了随机浏览者在三个页面中任意时间点的概率。
首先建立一个二元邻接矩阵来表示链路结构，然后将其规范化为概率矩阵。
要计算页秩，必须求解线性系统的特征向量问题，
随机矩阵P的特征值可以假定为1>λ1≥λ2≥…=λn，
V1，V2，V3，…，Vn是对应的特征向量。
经过收敛过程，矩阵P的主特征值应满足λ=1，
这是马尔可夫模型的稳态分布。
PageRank收敛过程如图所示，
这就是Google自动描述每个站点的页面排名值的方式。
微积分
微分学、多元微积分、积分学、梯度下降法的误差最小化和最优化、极限、高级逻辑回归都是数学建模中用到的概念。一个精心设计的数学模型被用于生物医学领域，以高保真度模拟人类健康和疾病的复杂生物学过程。
硅模型是人工智能方法在生物医学中的应用，是一种完全自动化的模型，不需要人体样本、动物实验、临床试验或实验室设备。模型中使用了一个微分数学方程来检验新的力学假设和评估新的治疗靶点。它是最便宜和最方便的方法来研究人类生理学，药物反应，和疾病更准确地通过操纵数学模型参数。
概率
在人工智能的世界里有很多抽象的问题。你可能会经历许多形式的不确定性和随机性。概率论提供了处理不确定性的工具。为了分析一个事件发生的频率，使用了概率的概念，因为它被定义为一个事件发生的机会。
让我们考虑一个机器人。机器人只能向前移动一定的时间，但不能移动一定的距离。为了让机器人前进，科学家们在它的程序设计中使用了数学。离散随机变量、连续随机变量、贝叶斯公式和归一化是一些概率论的概念，它们与线性代数的其他概念一起用于机器人导航和移动。数学和机器人是广泛的领域，我将在下次详细讨论。
最后忠告：
不管你是想成为一名机器学习工程师、数据科学家还是机器人科学家，你都需要精通数学。数学可以提高分析思维能力，这在人工智能中是至关重要的。人工智能科学家认为，人们对人工智能的看法是，它完全是魔法，但它不是魔法，而是创造所有发明背后的魔法的数学。所以，要在如今这个人工智能驱动的世界中占据领导地位，你需要有很强的数学天赋。返回搜狐，查看更多
科学网—人工智能的基石是数学
中国科学院院士徐宗本：人工智能的基石是数学
■本报见习记者程唯珈
“人工智能的基石是数学，没有数学基础科学的支持，人工智能很难行稳致远。”近日，由联合国教科文组织和中国工程院联合主办的联合国教科文组织国际工程科技知识中心2019国际高端研讨会上，中国科学院院士、西安交通大学教授徐宗本在题为《AI与数学：融通共进》的主题报告上如是说。
在他看来，目前人工智能所面临的一些基础问题，其本质是来自数学的挑战。
数学家眼里的人工智能是什么？徐宗本给出的答案简洁明了：当下主要指机器学习。
如果给这个名词赋予一个说明，他认为这是人或者智能体，通过与环境的交互来提升自身行为和解决问题能力的智能化操作。“机器学习是把这种智能形式化为数学公式，转换成计算机可以操作的算法和软件。”他说。
进一步说，人工智能实际上是一个将数学、算法理论和工程实践紧密结合的领域。将其剖开来看，就是算法，也就是数学、概率论、统计学、各种数学理论的体现。
不过徐宗本认为，作为人工智能基石的数学，还存在五大核心问题待解，而这也是制约人工智能进一步发展的“绊脚石”。
第一是大数据的统计学基础。徐宗本认为，人工智能和大数据是一对“孪生姐妹”。人工智能更多指应用模式，强调与领域知识的结合。大数据则是最底层的信息技术，强调机器和机器、机器与人之间的内容交互与理解。但是当前，分析大数据的统计学基础面临颠覆，应用于复杂大数据分析的极限理论、统计推断方法、真伪判定等数学基础尚未完全建立起来。
第二是大数据计算基础算法。一般而言，理解和分析大数据都是通过数据处理或数据分析来实现的，而无论是数据处理还是数据分析，最终都归于求解一系列基本的数学问题，如线性方程组求解、图计算、最优化计算、高维积分等。不过，这些看似早已解决的问题在大数据情形下却成了“拦路虎”。
他以旅游为例，打了一个生动的比方来解释这种挑战。“比如从西安到北京，怎么走最近？过去地图分辨率不高，根据普通的地图可以获取基本的路线。但现在大数据背景下，地图的分辨率越来越高，不可能一次就涵盖西安至北京之间全部城市与道路的数据，只能一次一次地提供其中某些城市间的道路信息。到达北京需要多少时间，怎样走最近？要带多少钱？现在的机器还回答不了这些问题。这是由于在分布式图信息环境下，图计算的基础算法问题还没有解决。”徐宗本说。
第三是深度学习的数学理论。徐宗本认为，这个问题在当下尤为关键。新一轮的人工智能多以深度学习为基本模型，然而深度学习的设计基础在哪里，什么样的结构决定了什么样的性能，能不能有台劳公式和富里埃级数这样的数学表示理论，这些基本的理论问题还没有解决。正是由于这个原因，现在的人工智能还得靠“人工”来换“智能”，这也是造成当下“人工智能=人工+智能”的原因。
第四是非常规约束下的最优输运。人工智能的很多问题都可归纳为两个领域数据打通问题，即让两个对象在满足某一个特定的不变量情况下互相转移。“比如中英文互译，就是在保持语义的情况下将中文数据转换成英文数据。”
应用到现实，徐宗本畅想，将医院的CT和核磁共振图像相互转移或能很好地解决医疗诊断的信息不足问题。“因为照的是同一个人，这里人就是不变量。要解决这些问题，建立特定约束下实现最优传输的数学理论与方法是基本的。”
第五是关于学习方法论的建模与函数空间上的学习理论。徐宗本表示，研究生阶段学到的机器学习理论，需上升到方法论学习的阶段。
“从数学上说，无论函数空间上的学习理论怎么建立，本质是要适应不同的任务。由于任务本身是函数，是无穷的，那么就需要把过去机器学习中对样本、数据的选择、泛化，推广到对任务的选择、泛化中。”
如果辩证地看待数学和人工智能的关系，相辅相成可能是其最好的诠释。徐宗本表示，不仅数学可为人工智能提供基础，人工智能也为数学研究提供新的方法论。
“比如解偏微分方程，过去人们可能会使用计算机，现在用人工智能可以做得更好。”他认为，让数学中的模型方法与人工智能的数据方法结合，可将机器的深度学习应用得更加精确。
面对如今发展得如火如荼的人工智能产业，徐宗本也道出了自己对从业者的希冀。
“人工智能想要做得好，要靠数学问题尤其是算法的解决。”徐宗本再次强调，从业者应潜心从基础研究抓起，使我国的应用场景优势真正转化为技术优势和产业优势。
《中国科学报》(2019-11-04第4版综合)