人工智能时代，最重要的不是增设编程和机器人课程！
在这些工种消失的同时也会创建新工作，这些工种将需要其他一些关键技能：
较高的认知技能定量和统计技能复杂的资讯处理技能社会和情感技能技术技能批判性思维这些技能将由医生、会计师、研究分析师和作家/编辑等工种所具备，另外IT技能、数据分析、工程和研究将会是未来最赚钱工作的条件。
目前我国大概有18.76%的中小学校开展了人工智能相关的教育，主要是通过社团活动、人工智能实验室、编程等方式开展。
但目前在我国大家对人工智能教育的认识还有一点点偏颇，会更加注重编程和机器人教育。
人工智能课程（图片源于网络）
但在全球的研究过程中，世界在开展人工智能教育的方面实际上不仅仅是编程和开设人工智能课程，更重要的是调整教育结构，比如加强数学教育，加强数字化框架的培养，这些其实也是人工智能教育非常重要的方面。
在数字化时代，我们原有的知识传输方式和建立方式都将发生巨大的变化。书本不再是知识的唯一来源，数字化资源会成为课程的主要呈现形式；共享共建会成为课程建设的重要方式。例如最早的耶鲁大学公开课，到现在流行的各类资源平台、开放的图书馆资源等。
那么在AI、5G等科技的影响下，未来的教育会发生哪些改变呢？不久前记者在“第二届世界教育前沿论坛”聆听了中国教育科学研究院国际与比较教育研究所所长、中国教育科学研究院未来教育实验室主任王素老师的演讲，并在会后对王素女士进行了专访。以下文字为演讲稿与采访的整理。
中国教育科学研究院国际与比较教育研究所所长、中国教育科学研究院未来教育实验室主任王素
未来教育会是颠覆性的改变吗？
21世纪的5G、AI等新兴技术无疑被视为改变世界的第四次科技革命。而现今全世界所流行的教学方式则均是基于工业时代的产物。
在工业时代，教育体系是以知识为核心，而人工智能时代，教育则以人的发展为核心。在OECD（经济合作与发展组织，OrganizationforEconomicCo-operationandDevelopment）面向2030学习框架中，有人提出，教育最终目标是要让社会和个体都能幸福生活。教育的目标变了，那原来的学习内容，教育观念需要做出相应的改变。
然而这种改变绝不是颠覆性的，而是循序渐进，以终为始的过程。工业时代的培养目标是把人培养成生产线中的一个零部件。而在人工智能时代，最核心的改变是要培养学生的能力，而这恰恰是传统的教学方式所欠缺的。
AI技术在教育上的运用主要体现在以下几个方面：语音识别技术、图像识别技术、深度计算和神经网络计算等等。在这些技术的支持下，教学方式发生了改变。
教学反馈系统让学习更能“因人而异”
传统的教学方式是以老师为中心的教学方式，课堂师生互动很少，老师不能及时了解学生的思考过程和知识掌握情况。在人工智能时代，这些问题将会得以解决。
建立在图像识别技术基础上的教学反馈系统通过视频监控的方式进行数据采集，然后用大数据对每个孩子在课堂互动的情况进行分析。
通过这些数据的分析结果，老师能够更精准地知道每个学生各自的学习困难点在哪里，从而提高学习的有效性。
VR技术让学习更加“设身处地”
人们常说：在真实的世界中学习是最有效的学习方式。但是现在由于交通问题、成本问题，我们无法天天都到真实的环境当中去学。
VR让学习更加设身处地（图片源于网络）
同样基于图像识别技术、音乐识别技术、深度计算和神经网络计算的VR则很大程度上解决了这个问题。
并且，尤其随着5G的广泛运用，网速将会变得越来越快。在未来，就像阿凡达一样，我们可能全部都到一个虚拟环境中，共同完成一项任务。
还有一些原来我们无法近距离接触的东西，比如天空、海底世界还有一些微观世界，这些通过VR都能让我们近距离“看”见。甚至对于医学院的学生而言，他们可以钻进人体内部去了解里面的各个细胞。
这样的基于“真实”场景的学习会比背几十遍的术语更让学生印象深刻。
远程连线让学习更加“术业有专攻”
AI背景下的学习将不仅限于课堂内部。当学生学到某一专业领域的时候，任课老师可能未必对这一专业有深入的了解。
远程连线（图片源于网络）
而远程连线可以把老师的范围扩展到任何一个被网络覆盖的地方，尤其是在5G的影响下，远程连线的速度将会更快。
比如一个班级正在进行关于“桥梁”的项目式学习，学生可以远程连线一个专业的桥梁工程师，甚至可以连接这个桥的设计者，让他们从专业角度对桥梁的构造，所运用到的物理化学和数学理论进行介绍。
这个时候，这些专业的人员充当了“老师”这个角色。
虚拟导师让学习更加“唾手可得”
不知道大家在读书期间是否有过这样的情景：下课后一堆学生围着老师问问题。短短的课后十分钟，老师就被学生的问题绑架了，就这样可能还有很多学生因为时间问题没来及问关于自己的问题。
未来，这种情况将不再存在。在AI技术的帮助下，会有虚拟导师可以回答学生的各项问题。这样既不会占有老师的私人时间，也能够满足更多学生的需求。
虚拟导师还能运用在课堂上充当助教的功能。每一个人学习都是个性化的，都有自己的学习路径。虚拟导师可以对不同的学生有针对性的辅导方式。
虚拟导师（图片源于网络）
此外，虚拟导师还可以陪伴，可以充当学生的学习伙伴，生活伙伴。学生与虚拟导师可以通过人机对话来寻求帮助。
老师还会存在吗？
在诸多技术的作用下，教学方式发生了变化。那么“老师”这个职业还有存在的必要吗？
2017年，BBC就基于剑桥大学研究者MichaelOsborne和CarlFrey得出了结论：在人事、客服、政府职员、会计、银行职员都高于89%的被淘汰率下，教师这个职业被机器人取代的可能性仅为0.4%。
对此，王素老师表示人工智能时代，“老师仍然会存在，但老师的角色将发生改变。”
未来老师不再是“权威型的”角色，“以老师为中心”的教学方式将不再存在，并且老师有关教授知识的职能将被虚拟导师和专业导师助力。那么在AI时代下的老师又是什么样子的呢？
学习路径的规划者
最大的教育公平就是满足每个学生的个体需求。AI时代的学习是个性化的学习。因此，作为老师，需要根据每个学生的特征帮助学生去规划学习路径。
例如有的学生的学习方式是听觉型，有的是视觉型，有的则动手能力更强。根据每个学生的不同情况和兴趣，帮助学生选择最适合自己的学习方式和课程，将是老师需要具备的首要技能。
大数据的分析专家
人工智能能够进行大数据的收集，但如何把冷冰冰的数字转化成适合每个学生的学习报告？老师需要能够读懂大数据，知道学生的长处和短处分别是什么，从而制定最适合学生个体的学习路径。
早在2011年美国就发布了有关教师数据素养改进教学的报告，2012年，美国19个州已经把教师是否具有数据素养列入了教师资格认证情境。
因此，在大数据时代，老师需要有数据意识，能对现象背后所关联的因素进行分析，产生数据理解以及数据解释。
这样就能知道某个孩子数学成绩不好背后，关联的知识点到底是什么，是公式，还是概念，进而可以给他开展更个性化的辅导。
学生的心灵支柱
人工智能或许在知识储备上比人类智能更胜一筹，但有一项功能是人工智能无法替代的，那就是情感需求。而情感需求恰恰是人类最重要的需求。
情感陪伴（图片源于网络）
大数据的分析结果能够显示某个孩子近期的学习状态退步，但背后的原因是学习不努力还是家庭发生巨变？这些是大数据无法做到的，需要老师去对学生的背景加以了解，从而找到学习退步的根本原因，并加以解决。
因此，老师的另一个很重要的能力就是理解学生，与学生产生共情。当学生沮丧的时候可以鼓励学生，当学生懒散的时候可以约束学生。
在未来，人工智能能够“授业”，但“传道”和“解惑”仍然需要老师承担。
师范类院校还会存在吗？
近日，华中师范大学第一附属中学官网公布了2020年第一轮教师招聘拟录取名单，9名拟录取者全部为硕士以上学历，其中6人是海内外顶尖大学的博士，另外3人也都是清华、北大的硕士。
无独有偶，深圳中学还在官方公众号文章中喊话：博导校长、哈佛老师、清北班主任——“我们”在深中等你。
据了解，深圳中学近几年已从哈佛大学、新加坡国立大学、北京大学、清华大学、中国科学技术大学等海内外名校引进了百余位优秀毕业生。
越来越多综合性院校的博士生到中学当老师，未来还会有虚拟导师，以及各行各业的专业人士充当导师。那么作为教师孵化器的师范类院校又将何去何从呢？
学习内容：如何与AI合作等新兴教学技能
王素老师认为，老师仍旧是有专业性的，但这些专业不仅再是学科上的专业。师范类院校更有可能出现的情况是对已经系统学习过各专业、已经掌握学习学科专业技能的学生进行教学技能方面的培训。
培训的主要内容包括：现代教学技术的运用、新型教学方法的学习，以及如何与人工智能合作。
最后，这些老师还需要学习学习科学的最新进展。
学习方式：与中小学的学习方式接轨
同时师范类院校的教育方式也应当与中小学的教育方式接轨：也就是中小学用什么样的教学方法上课，这些即将成为老师的大学生就用什么教学方法上课。
STEM教学法、PBL教学法、游戏教学法不再是书本上的内容，而是大学授课的方式。学生在课堂上既充当老师又充当学生，在一次又一次的体验中不断改进现有的学习方式，积累教学经验。
与时俱进的技能培训
对于一些已经毕业成为老师的学生，则可以回学校进行再学习，学习对最新教学技术的运用、教学方法的掌握以及如何人机互动。这些技能培训是随着时代的发展而实时更新的。
未来教育的一些畅想
教育类博士比学科类博士更吃香
近期，华中师范大学第一附属中学和深圳中学招聘了诸多国内外综合类名校的学科博士为中学老师一事，闹得沸沸扬扬。
王素老师认为，在未来的教育中老师的学科知识技能将被AI或者各行业的专业人士所替代。教师仍然会以另一种方式存在。
也就说，未来像清华北大甚至国外知名大学这一综合类院校的各科博士应征当老师的情况将逐渐减少，对老师的要求更多体现在对教育的理解，教学方法的掌握，学习数据的分析和学生未来的规划以及学生心理的梳理上。
因此，在未来，教育“博士”会比学科博士更受学校青睐。
“寒门难出贵子”或将打破
2017年，北京文科状元熊轩昂曾提到“寒门难出贵子”，由此引发了广泛的社会讨论。
王素老师指出，以往，偏远地区缺乏优秀的老师，AI的产生可以促进优质教育资源的共享。比如名师的直播课程，还有自适应学习系统，都可以弥补教师在专业知识上的不足。
个性化的订制学习是民办教育的出路
上周出台的公民同招政策让民办学校惶惶不可终日。
针对这个问题，王素老师指出，在未来，无论是公办学校还是民办学校，最终拼的核心竞争力不应该是好的生源，而是无论什么水平的学生，学校都能用最好的教育思想和行之有效的教学方式来让每个孩子都得到适合自己的发展。
办学方式将百花齐放
未来教育将会是什么样子？
“工业化时代要求的是标准化，而人工智能时代则是一个个性化的非标准时代。所以这个时候的教育也更加多元化。”王素老师说。
从教学方式来看，有STEM、PBL、游戏化教学等多种教学方式，办学方式也百花齐放，除了近几年疯狂增加的各具特色的民办学校，公办学校也出现了“一校一品”现象，在国外还有家庭学校（HomeSchool），虚拟学校和船上的学校等等办学方式。
所以未来的教育必然是多种多样，富有个性的。返回搜狐，查看更多
人工智能的8个有用的日常例子
如果你在谷歌上搜索“人工智能”这个词，然后不知怎的就打开了这篇文章，或者用优步(Uber)打车上班，那么你就利用了人工智能。
人工智能影响我们生活的例子不胜枚举。虽然有人将其称为“机器人以邪恶的天才统治世界”的现象，但我们无法否认人工智能通过节省时间、金钱和精力使生活变得轻松。
[[330378]]
术语
人工智能是指机器通过专门设计的算法来理解、分析和学习数据，从而充当人类思维蓝图的现象。人工智能机器能够记住人类的行为模式并根据他们的喜好进行调整。
在我们的讨论过程中，您将遇到与AI密切相关的主要概念是机器学习、深度学习和自然语言处理(NLP)。在继续之前，让我们先了解这些。
机器学习(ML)涉及通过大数据为例向机器教学有关重要概念的知识，大数据需要被构造(以机器语言)以便机器理解。这些都是通过向他们提供正确的算法来完成的。
深度学习(DeepLearning)比ML领先一步，这意味着它通过表示进行学习，但不需要对数据进行结构化以使其有意义。这是由于受人类神经结构启发的人工神经网络。
自然语言处理(NLP)是计算机科学中的一种语言工具。它使机器能够阅读和解释人类语言。NLP允许自动翻译人类语言数据，并使两个使用不同语言的实体(计算机和人类)进行交互。
现在您已经掌握了术语，让我们深入研究人工智能的示例及其工作方式。
8个人工智能的例子
以下列出了您每天可能会遇到的八个人工智能示例，但您可能没有意识到它们的AI方面。
1.谷歌地图和打车应用
地图应用程序如何知道确切的方向、最佳路线，甚至是道路障碍和交通堵塞呢?不久以前，只有GPS(基于卫星的导航系统)被用作出行的导航。但是现在，人工智能被纳入其中，让用户在特定的环境中获得更好的体验。
通过机器学习，app算法会记住建筑的边缘，在工作人员手动识别之后，这些边缘会被输入系统。这允许在地图上添加清晰的建筑视觉效果。另一个特点是识别和理解手写的门牌号的能力，这可以帮助通勤者找到他们想要的房子。没有正式街道标志的地方也可以用它们的轮廓或手写的标签来识别。
该应用程序已被教会理解和识别流量。因此，它推荐了避免路障和拥堵的最佳路线。基于AI的算法还告诉用户到达目的地的确切距离和时间，因为它被教导可以根据交通状况进行计算。用户还可以在到达目的地之前查看其位置的图片。
因此，通过采用类似的AI技术，各种乘车应用也已出现。因此，每当您通过在地图上定位您的位置来从应用程序预订出租车时，它都是这样工作的。
2.人脸检测与识别
当我们拍照时在脸上使用虚拟滤镜和使用人脸识别码解锁手机是人工智能的两个应用，现在已经成为我们日常生活的一部分。前者包含人脸检测，即识别任何人脸。后者使用人脸识别来识别特定的人脸。
这是如何运作的?
智能机器经常匹配，有时甚至超越的能力。人类婴儿开始识别面部特征，如眼睛、鼻子、嘴唇和脸型。但这并不是一张脸的全部。有太多的因素使人的脸与众不同。智能机器被教导识别面部坐标(x、y、w和h，它们在面部周围形成一个正方形作为感兴趣的区域)、地标(眼睛、鼻子等)和对齐(几何结构)。
人脸识别还被政府机构或机场用于监视和安全。例如，伦敦盖特威克机场(GatwickAirport)在允许乘客登机之前使用面部识别摄像头作为ID检查。
3.文本编辑器或自动更正
当您键入文档时，有一些内置或可下载的自动更正工具，可根据其复杂程度检查拼写错误、语法、可读性和剽窃。
在您流利使用英语之前，一定已经花了一段时间来学习语言。同样，人工智能算法还使用机器学习、深度学习和自然语言处理来识别语言的不正确用法并提出更正建议。
语言学家和计算机科学家一起工作，以教授机器语法，就像在学校一样。机器被提供了大量高质量的语言数据，这些数据以机器可以理解的方式进行组织。因此，即使您不正确地使用单个逗号，编辑器也会将其标记为红色并提示建议。
下次让语言编辑器检查文档时，请知道您使用的是人工智能的许多示例之一。
4.搜索和推荐算法
当您想看自己喜欢的电影或听歌或在网上购物时，您是否注意到建议的内容完全符合您的兴趣?这就是人工智能的功能。
这些智能推荐系统可从您的在线活动中了解您的行为和兴趣，并为您提供类似的内容。通过不断的培训，可以实现个性化的体验。数据在前端(从用户)收集，存储为大数据，并通过机器学习和深度学习进行分析。然后，它可以通过建议来预测您的喜好，而无需进行任何进一步的搜索。
同样，优化的搜索引擎体验是人工智能的另一个示例。通常，我们的热门搜索结果会找到我们想要的答案。怎么发生的?
向质量控制算法提供数据，以识别超越SEO垃圾内容的高质量内容。这有助于根据质量对搜索结果进行升序排列，以获得最佳用户体验。
由于搜索引擎由代码组成，因此自然语言处理技术可以帮助这些应用程序理解人类。实际上，他们还可以通过汇编排名靠前的搜索并预测他们开始键入的查询来预测人们要问的问题。
诸如语音搜索和图像搜索之类的新功能也不断被编程到机器中。如果要查找在商场播放的歌曲，只需将手机放在旁边，音乐识别应用程序就会在几秒钟内告诉您歌曲的内容。在丰富的歌曲数据库中进行筛选后，机器还将告诉您与该歌曲有关的所有详细信息。
5.聊天机器人
作为一个客服，回答问题可能会很费时。一个人工智能的解决方案是使用算法来训练机器，通过聊天机器人来迎合客户的需求。这使得机器能够回答常见问题，并接受和跟踪订单。
聊天机器人被教导通过自然语言处理(NLP)来模仿客户代表的对话风格。高级聊天机器人不再需要特定的输入格式(例如，是/否问题)。他们可以回答需要详细答复的复杂问题。实际上，它们只是人工智能的另一个例子，它们给人的印象是客户代表。
如果您对收到的答复的评价不佳，则机器人会识别出所犯的错误并在下次进行纠正，以确保最大的客户满意度。
6.数字助理
当我们全力以赴时，我们常常求助于数字助理来代表我们执行任务。当您单手开车喝咖啡时，您可能会要求助手给您的妈妈打电话。助理(例如Siri)将访问您的联系人，识别单词“Mom”并拨打电话。
Siri是一个较低层模型的示例，该模型只能在说话时做出响应，而不能给出复杂的答案。最新的数字助理精通人类语言，并集成了高级NLP和ML。他们了解复杂的命令输入并给出令人满意的输出。他们具有自适应能力，可以分析您的喜好、时间表和习惯。这使他们能够以提醒、提示和时间表的形式为您系统化、组织和计划事务。
7.社交媒体
社交媒体的出现为世界提供了一种新的叙事方式，提供了过度的言论自由。然而，这也带来了一些社会弊端，如网络犯罪、网络欺凌和仇恨言论。各种社交媒体应用程序都在使用人工智能的支持来控制这些问题，并为用户提供其他有趣的功能。
AI算法可以发现并迅速删除包含仇恨言论的帖子，速度远比人类快。通过他们以不同语言识别仇恨关键字，短语和符号的能力，这成为可能。这些已被输入到系统中，该系统具有向其词典添加新词的附加功能。深度学习的神经网络架构是该过程的重要组成部分。
表情符号已成为代表各种情感的最佳方式。AI技术也可以理解这种数字语言，因为它可以理解特定文本的含义并提示正确的表情符号作为预测文本的一部分。
社交媒体是人工智能的一个很好的例子，它也能够理解用户产生共鸣的内容并向他们建议相似的内容。面部识别功能还用于社交媒体帐户中，可帮助人们通过自动建议为朋友加标签。智能过滤器可以识别并自动清除垃圾邮件或不需要的邮件。智能回复是用户可以享受的另一个功能。
社交媒体行业的一些未来计划包括使用人工智能通过分析发布和消费的内容来识别心理健康问题，例如自杀倾向。这可以转发给心理健康医生。
8.电子支付
银行现在正在利用人工智能通过简化支付流程来便利客户。
通过观察用户的信用卡支出模式来检测欺诈的方式也是人工智能的一个示例。例如，算法知道用户X购买哪种产品，何时何地购买产品以及价格落在什么价格区间。当有一些不正常的活动不适合用户个人资料时，系统会立即提醒用户X。
总结
人工智能算法超越了人类的能力，可以节省时间，从而使科学家们可以将精力投入到其他更重要的发现中。
我们已经讨论过的人工智能示例不仅可以作为娱乐的来源，而且还提供了我们已变得如此依赖的无数实用程序。人工智能领域仍处于新生阶段，还有更多的发明将更精确地复制人类的能力。
人工智能基础
本课程推荐教材及与课程学习目标对应关系如下：
1. 授课教材：《人工智能》丁世飞编著电子工业出版社 2020年第三版ISBN：9787121363955。
（1）教材特点：《人工智能导论（第3版）》主要阐述人工智能的基本原理、方法和应用技术。全书共13章，除第1章讨论人工智能基本概念、第13章讨论人工智能的争论与展望外，其余11章按照“基本智能+典型应用+计算智能”三个模块编排内容。一个模块为人工智能经典的三大技术，分别为知识表示技术、搜索技术和推理技术，主要包括知识表示、确定性推理、搜索策略、不确定性推理；第二个模块为人工智能的典型应用领域，包括机器学习、支持向量机和专家系统；第三个模块为计算智能与群智能，包括神经计算、进化计算、模糊计算和群智能。
本课程主要选用了本教材的第一稿模块，即知识表示技术、搜索技术和推理技术中相关的内容。
（2）使用方法：本教材对应课程学习目标1-5，可以做到对课程内容前半部分的全覆盖，请同学们学习完视频之后，一定要详细阅读教材中的对应部分，并针对课后习题进行联系，能够有效提高学习质量；
2、本课程参考了大量网络上的课程。对应课程学习目标6-8，包括：
https://stanford-cs221.github.io/spring2021/
https://cse.iitkgp.ac.in/~dsamanta/courses/da/
百度飞桨师资培训的机器学习和深度学习的内容。
https://easyai.tech
此外还有参考百度百科、B站、以及知乎和CSDN等各类科技网站。
在此表示感谢！
学习人工智能需要哪些必备的数学基础
本文由【AI前线】原创，原文链接：t.cn/RTzPO4A
当下，人工智能成了新时代的必修课，其重要性已无需赘述，但作为一个跨学科产物，它包含的内容浩如烟海，各种复杂的模型和算法更是让人望而生畏。对于大多数的新手来说，如何入手人工智能其实都是一头雾水，比如到底需要哪些数学基础、是否要有工程经验、对于深度学习框架应该关注什么等等。
那么，学习人工智能该从哪里开始呢？人工智能的学习路径又是怎样的？
本文节选自王天一教授在极客时间App开设的“人工智能基础课”，已获授权。更多相关文章，请下载极客时间App，订阅专栏获取。
数学基础知识蕴含着处理智能问题的基本思想与方法，也是理解复杂算法的必备要素。今天的种种人工智能技术归根到底都建立在数学模型之上，要了解人工智能，首先要掌握必备的数学基础知识，具体来说包括：
线性代数：如何将研究对象形式化？概率论：如何描述统计规律？数理统计：如何以小见大？最优化理论：如何找到最优解？信息论：如何定量度量不确定性？形式逻辑：如何实现抽象推理？线性代数：如何将研究对象形式化？
事实上，线性代数不仅仅是人工智能的基础，更是现代数学和以现代数学作为主要分析方法的众多学科的基础。从量子力学到图像处理都离不开向量和矩阵的使用。而在向量和矩阵背后，线性代数的核心意义在于提供了⼀种看待世界的抽象视角：万事万物都可以被抽象成某些特征的组合，并在由预置规则定义的框架之下以静态和动态的方式加以观察。
着重于抽象概念的解释而非具体的数学公式来看，线性代数要点如下：线性代数的本质在于将具体事物抽象为数学对象，并描述其静态和动态的特性；向量的实质是n维线性空间中的静止点；线性变换描述了向量或者作为参考系的坐标系的变化，可以用矩阵表示；矩阵的特征值和特征向量描述了变化的速度与方向。
总之，线性代数之于人工智能如同加法之于高等数学，是一个基础的工具集。
概率论：如何描述统计规律？
除了线性代数之外，概率论也是人工智能研究中必备的数学基础。随着连接主义学派的兴起，概率统计已经取代了数理逻辑，成为人工智能研究的主流工具。在数据爆炸式增长和计算力指数化增强的今天，概率论已经在机器学习中扮演了核心角色。
同线性代数一样，概率论也代表了一种看待世界的方式，其关注的焦点是无处不在的可能性。频率学派认为先验分布是固定的，模型参数要靠最大似然估计计算；贝叶斯学派认为先验分布是随机的，模型参数要靠后验概率最大化计算；正态分布是最重要的一种随机变量的分布。
数理统计：如何以小见大？
在人工智能的研究中，数理统计同样不可或缺。基础的统计理论有助于对机器学习的算法和数据挖掘的结果做出解释，只有做出合理的解读，数据的价值才能够体现。数理统计根据观察或实验得到的数据来研究随机现象，并对研究对象的客观规律做出合理的估计和判断。
虽然数理统计以概率论为理论基础，但两者之间存在方法上的本质区别。概率论作用的前提是随机变量的分布已知，根据已知的分布来分析随机变量的特征与规律；数理统计的研究对象则是未知分布的随机变量，研究方法是对随机变量进行独立重复的观察，根据得到的观察结果对原始分布做出推断。
用一句不严谨但直观的话讲：数理统计可以看成是逆向的概率论。数理统计的任务是根据可观察的样本反过来推断总体的性质；推断的工具是统计量，统计量是样本的函数，是个随机变量；参数估计通过随机抽取的样本来估计总体分布的未知参数，包括点估计和区间估计；假设检验通过随机抽取的样本来接受或拒绝关于总体的某个判断，常用于估计机器学习模型的泛化错误率。
最优化理论：如何找到最优解？
本质上讲，人工智能的目标就是最优化：在复杂环境与多体交互中做出最优决策。几乎所有的人工智能问题最后都会归结为一个优化问题的求解，因而最优化理论同样是人工智能必备的基础知识。最优化理论研究的问题是判定给定目标函数的最大值（最小值）是否存在，并找到令目标函数取到最大值(最小值)的数值。如果把给定的目标函数看成一座山脉，最优化的过程就是判断顶峰的位置并找到到达顶峰路径的过程。
通常情况下，最优化问题是在无约束情况下求解给定目标函数的最小值；在线性搜索中，确定寻找最小值时的搜索方向需要使用目标函数的一阶导数和二阶导数；置信域算法的思想是先确定搜索步长，再确定搜索方向；以人工神经网络为代表的启发式算法是另外一类重要的优化方法。
信息论：如何定量度量不确定性？
近年来的科学研究不断证实，不确定性就是客观世界的本质属性。换句话说，上帝还真就掷骰子。不确定性的世界只能使用概率模型来描述，这促成了信息论的诞生。
信息论使用“信息熵”的概念，对单个信源的信息量和通信中传递信息的数量与效率等问题做出了解释，并在世界的不确定性和信息的可测量性之间搭建起一座桥梁。
总之，信息论处理的是客观世界中的不确定性；条件熵和信息增益是分类问题中的重要参数；KL散度用于描述两个不同概率分布之间的差异；最大熵原理是分类问题汇总的常用准则。
形式逻辑：如何实现抽象推理？
1956年召开的达特茅斯会议宣告了人工智能的诞生。在人工智能的襁褓期，各位奠基者们，包括约翰·麦卡锡、赫伯特·西蒙、马文·闵斯基等未来的图灵奖得主，他们的愿景是让“具备抽象思考能力的程序解释合成的物质如何能够拥有人类的心智。”通俗地说，理想的人工智能应该具有抽象意义上的学习、推理与归纳能力，其通用性将远远强于解决国际象棋或是围棋等具体问题的算法。
如果将认知过程定义为对符号的逻辑运算，人工智能的基础就是形式逻辑；谓词逻辑是知识表示的主要方法；基于谓词逻辑系统可以实现具有自动推理能力的人工智能；不完备性定理向“认知的本质是计算”这一人工智能的基本理念提出挑战。
《人工智能基础课》全年目录
本专栏将围绕机器学习与神经网络等核心概念展开，并结合当下火热的深度学习技术，勾勒出人工智能发展的基本轮廓与主要路径。
专栏订阅指南
请在苹果和各大安卓应用市场搜索下载“极客时间”App，注册登录；在发现页找到专栏入口，点击专栏完成购买。关注我们的微信号"AI前线"，后台回复“AI”可获得《AI前线》系列PDF电子书