AI人工智能编程培训学什么课程
原创AI人工智能编程培训学什么课程？发布时间：2020-07-0311:52:52浏览6069来源：博学谷作者：吾非鱼AI人工智能编程培训学什么课程？随着人工智能时代的到来，各大厂纷纷投入大量的人力物力进军人工智能领域。学习掌握大厂AI技术，可以使我们更快捷的实现业务场景智能化。机器学习是人工智能的核心，而算法编程实现是机器学习的基础。
需要学习机器学习平台、深度学习平台、人工智能平台，并对人工智能平台包含的三大主流技术：图像、语音、自然语言处理进行了深入讲解，以“人脸识别打卡”案例，详细讲解了项目架构设计和开发流程。掌握图像、语音和自然语言处理API的使用，利用API实现具体应用的开发。
机器学习是人工智能的核心，而算法编程实现是机器学习的基础，学习python，数据科学库以及线性回归和逻辑回归等机器学习的常用算法让你逐渐掌握使用代码实现数学原理的能力。运用机器学习的相关知识解决现实生活中的金融问题，通过案例问题的分析和解决让你对机器学习形成系统深刻的理解，为后续的进一步学习奠定基础。
博学谷AI人工智能编程培训课程内容：
一、人工智能入门指南1-1人工智能入门指南免费试学1-AI时代首选Python2-Python我该怎么学3-人工智能的核心-机器学习5-机器学习怎么学？5-算法推导与案例
二、Python基础与数据科学库2-1Python快速入门2-2科学计算库Numpy
三、机器学习3-1线性回归算法3-2逻辑回归算法3-3梯度下降原理3-4案例：Python实现逻辑回归与梯度下降3-5案例：信用卡欺诈检测
四、图像技术之人脸识别5-1人脸识别功能介绍_开通应用5-2人脸识别_API5-3人脸检测_步骤和代码浏览5-4人脸检测_获取access_token5-5人脸检测_调用API5-6人脸检测_图像坐标5-7人脸检测_边框5-8人脸检测_性别年龄总结5-9人脸检测_SDK方式
五、图像技术之文字识别5-1功能介绍_创建应用5-2通用文字识别_代码5-3通用文字识别_其他版本函数5-4车牌识别5-5通用票据识别5-6自定义模板_步骤5-7自定义模板_实际创建5-8自定义模板_API和代码5-9创建分类器5-10分类器代码
对AI技术感兴趣，想了解大厂AI技术的初级开发人员；想利用大厂提供的API技术实现人工智能应用的开发工程师；对图像技术、语音技术、自然语言技术感兴趣的初级算法工程师都需要掌握AI人工智能编程技术。
机器学习人工智能培训— 申请免费试学名额 —在职想转行提升，担心学不会？根据个人情况规划学习路线，闯关式自适应学习模式保证学习效果讲师一对一辅导，在线答疑解惑，指导就业！觉得不错，顺手分享一下上一篇：菜鸟人工智能入门学习方法下一篇：人工智能学什么课程？它将替代人类工作？相关推荐更多人工智能领域6大关键创新人工智能的兴起，对很多行业产生了巨大的冲击，智能家电、智能出行、智能物流等等已经深深的影响了我们现在的日常生活，许多企业也意识到需要利用人工智能推动新兴商业模式。那为什么人工智能会这样火爆呢？更重要的是人工智能领域6大关键创新符合现在市场的需要。那都有哪些关键创新呢？94042019-08-0810:23:23人工智能机器学习Python开发机器学习与模式识别如何区分？两者有什么区别与联系？随着人工智能在近些年的崛起，机器学习、模式识别这两个词也成为了热门词汇，频繁出现在大众眼前。虽然常常听说机器学习与模式识别，但是却很少有人能清楚地区别两者。本文就带大家充分了解机器学习和模式识别的概念、区别和联系。119952019-09-0516:47:59机器学习人工智能人工智能开发人工智能的四个核心技术分别是什么？人工智能的四个核心技术分别是什么？一般是指深度学习、自然语言处理、计算机视觉和数据挖掘这四大核心技术。相信一提到这四个关键词大家都不会陌生，但是真的深入了解这些核心技术的人却很少。下面小编带大家好好了解一下，这四大核心技术的定义和应用。187202019-10-1615:49:41机器学习人工智能人工智能技术岗位面试指导宝典随着各企业公司的复工，求职者也可以开始准备面试了。这里和大家谈谈人工智能技术岗位如何准备面试求职。本面试指导宝典的内容分为两大部分，一部分是针对专业素质面试准备，大概包括自然语言处理基本知识、机器学习基本知识和编程代码能力。另一部分是面试技巧的指导，比如自我介绍、能力展示和面试时的沟通交流。44912020-03-0611:05:43人工智能机器学习人工智能要学什么课程？人工智能要学什么课程？人工智能是最近很多人都会想要学习的一种技术，但是人工智能需要学习很多知识作为基础。学习人工智能的难度很大，但是只要掌握以上的技能，打好基础，就可以迈向人工智能行业了。37662020-06-1717:24:19零基础入门人工智能培训中小学人工智能教育：学什么，怎么教
*来源：中国电化教育（ID：iChinaET），作者：方圆媛、黄旭光
一、问题的提出(一)中小学阶段开设人工智能教育的国家政策要求
自上世纪50年代中期人工智能(ArtificialIntelligence，以下简称AI)概念正式提出以来，经过60多年的发展和积淀，伴随着互联网、大数据、云计算和新型传感等技术的发展，人工智能正引发可产生链式反应的科学突破，催生一批颠覆性技术[1]，对人类社会生产与生活的各个方面产生着深刻的影响。
2017年7月，中共中央、国务院印发《新一代人工智能发展规划》(以下简称“规划”)。作为抢抓人工智能发展重大战略机遇，构筑我国人工智能发展先发优势的重要战略部署，规划提出了到2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施。在保障措施有关要求中，规划指出“支持开展形式多样的人工智能科普活动”“实施全民智能教育项目，在中小学阶段设置人工智能相关课程”[2]。2018年4月，教育部印发《教育信息化2.0行动计划》，在“信息素养全面提升行动”中要求“加强学生信息素养培育……完善课程方案和课程标准，充实适应信息时代、智能时代发展需要的人工智能和编程课程内容”[3]。
其实在以上两个文件颁布之前，教育部于2003年4月颁布的《普通高中技术课程标准(实验)》中已首次在信息技术课程中设立“人工智能初步”选修模块[4]。在规划发布后，2018年1月出版的《普通高中信息技术课程标准(2017年版)》中，则更进一步地将人工智能的内容更充分地融入到信息技术课程中。最新的高中信息技术标准设计了“人工智能初步”(包含人工智能基础、简单智能系统开发、AI技术的发展与应用三部分内容)[5]作为高中课程方案选择性必修模块，明确制定了课程内容和学业标准，并对教学策略提出建议。
(二)中小学校开展人工智能教育的实践探索
与形势发展和政策要求相呼应，国内一些城市已有一批教师和专业人员开始了在中小学引入人工智能教育教学的实践探索。根据推动力量的不同，这些实践探索大致可以分为两类，一类是中小学内部，由学校和教师发展起来的实践。这一类实践又可细分为两种。一种是在STEM或创客课程中引入人工智能的内容。比如：北京第二外国语学院附属中学将人工智能的元素和技术引入学校传统的机器人课程以及机器人社团活动中，在机器人设计、编程开发等过程中渗透人工智能知识的学习与动手实践[6]；此外，北京景山学校和温州中学也有教师在教学中尝试寻找编程、机器人等人工智能技术在科学课程与综合课程中的定位，试图挖掘人工智能技术带给综合课程更大的创造空间[7]。另一种是开设专门的人工智能课程。中国人民大学附属中学开发了人工智能校本课程体系，从面向全体的常规课普及教育，到部分选修的跨学科实践应用，再到少数的前沿探究，形成人工智能纵向金字塔分层课程体系[8]。此外，人大附中还开设了全国中等教育领域首个人工智能实验班，为实验班研发了“人工智能与关于心智的生物学”等研修课程[9]。北京市海淀区翠微小学、北京市十一学校[10]、华南师范大学附属中学等也开设了人工智能内容的相关课程。
另一类是中小学外部力量如高校、事业单位、科研院所等推动发展的实践。比如：北京师范大学课程与教学研究院与有关单位合作，通过组建项目团队，研发测评系统及AI教学技术平台，并在全国几十所中小学校开展教学实践探索[11]。中央电化教育馆组织力量研发了中学(包括初中和高中)人工智能课程与配套数字资源，并在全国17个省(市、自治区)组织了22所实验校开展课程教学的实验。
(三)中小学开展人工智能教育的讨论和疑问
我国尚未出台人工智能课程的国家标准，现有的信息技术国家课程标准仅涉及了人工智能的部分内容。同时，各地师资水平、软硬件环境条件差别较大，随着实践的开展，围绕中小学开展人工智能教育的讨论和疑问也越来越多，主要包括以下几个方面：第一，在教育目标上，小学、初中和高中学段人工智能教育目标的应然状态是什么，是否要在小学阶段引入人工智能的内容或开设专门的课程？有人指出，从全国范围看，“中小学对人工智能课程价值的认识有待提高”[12]。第二，在学习内容上，人工智能不仅有着非常专业的理论知识，还涉及数学、生物、控制论、信息学等多个学科领域，并划分为计算机视觉、自然语言处理、数据挖掘等子领域。如何从复杂的知识体系中抽取适合学生学习的内容，并依据课程目标设计不同层次的学习内容？有研究者指出，目前存在“把人工智能课程窄化为编程语言课程”的现象[13]；还有人指出，中小学的人工智能教育多为编程教育和机器人教育，编程教育“多停留在指导学生利用程序设计语言完成具体的编程题目。机器人教育，多停留在简单的实体安装层次”，“教材大多属于产品说明书或用户指南类，缺少对学生思维能力培养的科学引导”[14]。第三，在课程设置的方式上，大部分人都提到了开设专门的人工智能课程，也有人通过分析国家课程标准后提出，小学阶段的人工智能技术教学内容可以安排在小学科学课程中，初中阶段的人工智能课程可以在综合实践活动(占初中课时总数的16%—20%)课程中做出适当安排，高中阶段可安排在信息技术和通用技术课程中[15]。第四，在有关资源上，很多人都提到了缺乏专业师资和软硬件资源。在师资方面，有人指出，“我国中小学人工智能相关内容的教学工作以信息技术教师承担为主……很多老师的知识理论储备和计算机操作技能距离专业水平还有一定的差距，专业的人工智能教师比较匮乏”[16]；也有人认为，“缺乏具有知识结构和专业素养的教师来执教……没有接受过专业的培训，难以掌握课程重难点、教学目标不明确，教学经验缺乏”[17]。在教学资源方面，有人提出，“除部分发达地区之外，多数地区还没有与教学相适配的实验室”[18]；有人认为“很多中小学教师拿到教材后，由于没有好的经验和做法作为参照，课堂实施存在困难”[19]；还有人指出，“人工智能课程不宜采用传统的‘讲授’式教学，更适合应用情境化、基于问题、基于案例的教学模式……有较好价值的中学人工智能教育案例研究的成果很有限”[20]。
尽管我国各地教育水平不一，在中小学阶段开设人工智能相关课程困难重重，但部分地区已经开始了中小学人工智能教育教学的探索。由于各地、各学校相关的软硬件条件存在差异，课程实施的类型不同，造成质量参差不齐，在课程目标和内容的制定，课程实施策略的使用和课程资源的选择和使用等方面还处于摸索阶段，亟需有价值的借鉴和参考。
二、美国K-12人工智能教育行动解读(一)背景、任务与进展
在美国国家科学基金会的资助下，2018年5月，美国人工智能促进协会(TheAssociationfortheAdvancementofArtificialIntelligence，AAAI①)联合美国计算机科学教师协会(ComputerScienceTeachersAssociation，CSTA②)和卡耐基梅隆大学计算机科学学院组成了联合工作组，启动了美国K-12人工智能教育行动(AIforK-12Initiative，以下简称AI4K12)[21]。该行动有三项任务。第一是为在K-12阶段开展人工智能内容的教学制定国家指南。第二是为K-12教师开发一套精心策划的人工智能资源目录。第三是推动形成K-12AI资源的开发社区。卡耐基梅隆大学教授，美国人工智能领域著名研究者大卫·图雷斯基(DavidTouretzky)任工作组组长。2019年7月，AAAI在费城发布了K-12人工智能教学指南(K-12GuidelinesforArtificialIntelligence，以下简称指南)，设计了基础教育从小学到高中开展人工智能教学的目标与内容。同时发布了AI教学资源目录(AIResourceDirectory)，目录中提供了包括知识点讲解视频、示范软件和教学活动等类型的资源，以为教师开展教学提供支持。由于这是第一次系统地研究如何在中小学引入AI教学，工作组主要在原有的K-12国家计算机科学课程标准的基础上开展“指南”研制工作，并进行了细致充分的论证。
(二)指南内容概览
在美国，各州K-12阶段开设人工智能课程的情况不尽相同。有的州将人工智能作为计算机科学课程的一个部分，有的州开设了单独的人工智能课程作为选修课。作为对美国中小学开展人工智能内容教学的专业指导，“指南”在阐述中小学阶段学习人工智能意义的基础上，设计规划了中小学生需要掌握的人工智能知识以及各学段不同层次的学习目标。
1.中小学阶段学习人工智能的意义
AAAI认为，人工智能在当今人类社会已经扮演了非常卓越而显著的角色。对于孩子们而言，他们生活的世界里随处可见人工智能的产品，尽管他们或许没有直接使用过，但是目睹了父母或家人使用，有一定的直观经验。不难想象，随着技术的进一步发展，人工智能在未来世界将会获得更进一步的发展，而作为未来世界的主人，现在的下一代有必要对人工智能知识获得基本的认识以更好地适应未来的生活。这种必要性体现在两个方面：其一，人工智能基础知识的学习有助于提升孩子们的信息素养。作为未来的公民，当他们面临人工智能技术应用的公共决策和伦理问题时，提升的信息素养有助于他们做出理性的决策。同时，由于人工智能正在取代简单重复的底层工作，让孩子们较早地意识到这一点有助于他们更好地适应未来的就业环境。其二，通过人工智能课程的学习，培养孩子对人工智能领域、对STEM的兴趣，同时在知识和技能层面奠定一定的基础，为他们未来走上专业的职业道路做好铺垫。
2.学习内容与目标
这部分内容主要围绕学生应该知道什么和做什么展开。美国最新版K-12计算机科学课程国家标准11—12年级的课程要求中已经包含了人工智能的有关内容，分别是“能描述人工智能如何驱动各种软件和物理系统，如：数字广告投放、自动驾驶汽车和信用卡欺诈检测(3B-AP-08)”和“能使用一种人工智能的算法与人类对手一起玩游戏或解决问题。这里的游戏不需要太复杂，简单的猜谜游戏、井字棋或简单的机器人指令足矣(3B-AP-09)”[22]。在这次的“指南”中对人工智能学习内容做了更系统的规划，并根据学段设计了不同层次的课程目标。
总体来说，“指南”将K-12阶段所需学习的人工智能知识分成了5个主题(FiveBigIdeasinAI)，他们分别是：感知、表示和推理、机器学习、人机交互、社会影响[23]。研制小组认为，这5个主题从性质上足以覆盖人工智能的各领域，但从数量上又是教师可以控制的。尽管5个主题的提法未必完全符合AI实践者审视AI的方式，但对于满足K-12学生的需求是合适的。因此，课程内容和目标以这5个主题为基本框架，并在此基础上设计了各主题中的主要概念和分级学习目标。
(1)感知(Perception)
计算机使用传感器来感知世界。感知是从传感器信号中提取意义的过程。AI领域迄今为止最重要的成就之一就是使计算机能够足够好地去“看”和“听”，以投入实际应用。该主题下的具体应用包括：人脸识别、语音识别、场景理解等。
a.主要概念。这一主题的主要概念包括：人类的感觉和机器传感器；从感觉到知觉；感知的类型：视觉、语音识别等；感知如何工作：算法；计算机感知的局限；智能与非智能机器。
b.分级学习目标如表1所示。
(2)表示与推理(RepresentationandReasoning)
智能代理(IntelligentAgent)(能够)通过特定的逻辑和模型表示现实世界，并用他们进行推理。表示是自然智能和人工智能的基本问题之一。计算机使用数据结构来构建表示，这些表示辅助推理算法。该主题下的具体应用包括：自动驾驶汽车的路线规划、网络搜索、智能下棋的最佳路线推理等。
a.主要概念。这一主题的主要概念包括：表示的类型；推理算法的类型；支持推理的表示：算法操纵表示；算法系统及其功能；一般推理算法的局限。
b.分级学习目标如表2所示。
(3)机器学习(MachineLearning)
计算机通过数据学习，机器学习是一种在数据中找到规律的统计推断。近年来，由于一些学习算法创造了新的表示，AI的许多领域都取得了显著进步。这种方法的成功需要大量的数据。这些“训练数据”通常必须由人们提供，但有时也可以由机器自身获取。该主题下的具体应用包括：训练手机识别人脸；训练语音识别系统；训练机器翻译系统；图片搜索等。
a.主要概念。这一主题的主要概念包括：机器学习；机器学习的方法；学习算法的类型；神经网络基本原理；神经网络架构的类型；训练数据对学习的影响；机器学习的局限。
b.分级学习目标如表3所示。
(4)人机交互(NaturalInteraction)
智能代理需要多种知识才能与人类自然交互。为了与人类自然地交互，智能代理必须能够用人类语言交谈，识别面部表情和情感，并利用文化和社会习俗的知识来推断所观察到的人类行为的意图。具体应用包括：智能代理(如Alexa、Siri)，聊天机器人，提供适应性教育的智能导师系统，动作和面部表情识别等。
a.主要概念。这一主题的主要概念包括：自然语言理解；情感计算；常识推理；意识与心灵哲学；自然交互应用；人机交互；AI在自然交互方面的局限。
b.分级学习目标如表4所示。
(5)社会影响(SocietalImpact)
AI的应用对社会既有正面影响也有负面影响。由于人工智能技术正在改变我们工作、出行、沟通和相互照顾的方式，我们必须注意其所能带来的危害。例如，若用于训练人工智能系统的数据存在偏见，可能会导致部分人受到的服务质量低于其他人。因此有必要讨论AI对我们社会的影响，并根据相关系统在道德层面的设计以及应用来制定标准。
a.主要概念。这一主题的主要概念包括：AI系统正在改变商务、政务、医疗和教育；从经济层面讲，AI使得新的服务变得可能，使得商务更有效率；在开发AI系统时，人类不仅要做出技术层面的决策，也要做出道德层面的决策；AI技术通过多种不同的方式影响社区和人们；人工智能和系统需要道德标准来为人们做出决策；AI和机器人会改变人们工作的方式，创造一些工作，淘汰一些工作。
b.分级学习目标如表5所示。
3.教学活动建议
如何针对以上学习内容和学习目标开展教学，“指南”推荐了四种类型的学习活动：第一种是实验类活动，教师可以组织学生使用各种类型的AI软硬件资源，通过实验，一方面体验AI的功能，对AI形成直观认识；另一方面在实验中探索AI的基本原理。第二类活动是手工模拟AI算法的活动(或不插电活动)，学生无需使用任何计算机设备，用纸和笔，通过绘图、计算来模拟AI的基本算法，理解AI解决问题的逻辑思路和技术路线。第三类活动是设计类活动，教师为学生提供支架，引导和鼓励他们使用AI开源软件或服务来开发自己的AI应用，在设计和应用中学习。第四类是案例分析类活动，教师提供与AI相关的多个社会问题的案例，引导学生从多个角度来探索其中的伦理道德问题并寻求改进的途径。
(三)K-12人工智能教学资源目录简介
为了对AI教学提供支持，AI4K12开发了一套资源目录，并在网站(https://github.com/touretzkyds/ai4k12/wiki/Resource-Directory)上公布了这套目录。目录汇集了各类AI科普资源，根据不同类型资源的教育特点进行了系统的梳理和分类，并作了统一标注。从媒体类型上，AI4K12划分了专业著作和报告、竞赛、课程材料、演示软件(Demos)、教师职业发展在线课程、K-12学生在线课程、软件包和视频七类资源。在此基础上，依据中小学AI学习特点，AI4K12进一步按照资源的教学功能进行了分类，具体如表6所示[24]。可以看到，这里的资源不仅包括软硬件资源，还包括教学活动。对资源教学功能的分析提示了何时以及如何使用这些资源，进而为教师教学策略的设计提供了支持。
三、美国AI4K12行动成果特色小结美国AI4K12行动是富有成效的。从短期看，它制定了K-12人工智能教学指南，开发了教学资源目录，对学习内容和学习目标给出了科学、专业的设计，对教学活动策略提出了具体可行的建议，对教学资源进行了系统的汇聚、梳理和分类。从长远看，行动联通了AI研究、实践和教学三个行业，促进了美国国内K-12人工智能教育专业团体的形成，为未来的发展奠定了基础。
(一)“指南”学习内容覆盖AI原理的基本方面，关注对AI技术的反思，学习目标按学段分级
在中小学开展AI教育，核心的问题就是学生学什么，达到什么水平？美国K-12AI教学指南以5个知识主题(感知、表示和推理、机器学习、人机交互、社会影响)作为框架，并在其基础上设计了从幼儿园到高中三年级的分学段目标。一方面，5个知识主题不仅涵盖了AI研究与应用的基本领域，同时还包括了AI的社会影响。这体现了不仅要求学生体验和学习AI的基本知识和技能，也要求他们能客观、全面、深刻地对这项技术进行审视和反思的目的。另一方面，所有学段均涉及5个知识主题，各学段目标的差异只在目标的层次上，而不在知识主题上，整体的学习是螺旋上升的过程。比如，“表示与推理”是一个逻辑性很强的主题，幼儿园—2年级学段的孩子和高中生都可以学习。只不过前者只需要达到较低的学习层次比如获得对有关原理体验和感性认识，如“使用决策树进行决策”；而后者则需要达到较高的学习层次如掌握底层的算法和原理，例如“描述不同类型搜索算法的差异”。
(二)“指南”教学策略与活动建议具体清晰，可操作性强，遵循学习规律
如何引导学生学习AI知识？AI4K12给出了具体清晰的建议，不仅提出了支持策略，还推荐了“实验”“手工模拟”“设计开发”“案例分析”四种类型的教学活动。这四类活动分别对应AI学习的几种学习目标：体验AI功能与理解AI基本原理，理解AI算法的原理，设计简单的AI应用与辩证地认识AI对社会的各方面影响。这些目标在5个知识主题中都有体现。教师可以根据5个主题下分级目标的类型，选择对应类型的活动进行设计和开展。值得注意的是，四类活动也分别对应AI学习从感性到理性，从理解到应用的各个阶段，遵循基本的学习规律。具体来说，除第四类活动是综合性活动，需要建立在对AI及其应用充分把握的基础上之外，第一类到第三类活动分别对应学生学习AI从感性认识(认识AI的功能)到理性认识(理解AI的基本原理)，从知识理解(理解AI基本算法)到知识应用(使用AI算法模块开发应用)的学习阶段，学生的认识水平在逐步上升。
(三)K-12AI教学资源目录充分挖掘现有AI资源，分析梳理其教育价值
国内很多人担心，在中小学开展AI教育缺乏专业的师资。这个问题在美国也存在。且不说人工智能科班出身的专业人员是否会到中小学任教，抑或在师范院校增设人工智能的专业是否可行，还是在信息技术专业教师的培养中增加人工智能的课程是否更合理，通过这些方式提升师资专业能力需要一定的周期和较多的资金投入。AI4K12系统地梳理与充分地挖掘现有高质量AI科普资源的教育价值，快速而高效地为教师和学生提供了全面而丰富的学习资源与活动支持资源，不仅制作了教学资源目录，给出实例与资源链接，同时标注适用主题、年段、应用功能等，既可以用于教师自学，也可以用于教师组织学生开展学习活动。目录中的资源或是高校AI科研院所(代表研究者)开发，或是谷歌等知名高新技术企业(代表实践者)开发，资源的设计与制作都是专业而规范的。不仅有助于教师快速成长，学生也能获得专业、规范的指导，在一定程度上确保了教学的质量。
需要指出的是，目录中的资源大多是以AI科普为目的而开发的，其面向的对象广泛，并不专门为K-12的AI教育，在系统性和针对性上比较欠缺。可以说，现有资源还远远不能满足中小学AI教育的需要。AI4K12也指出了几种目前缺少的资源，并呼吁领域内的专业人士更多地关注并开发。
四、思考与启示AI4K12是在美国基础教育领域开展人工智能教学的第一个专业行动。它研制了教学指南，开发了资源目录，促成了K-12人工智能教育专业社区的形成。虽然中美两国的教育体制和文化存在差异，但AI4K12行动中有关教学内容和分级学习目标的设计，有关教学资源的梳理和资源目录的开发，有关教学活动和策略的建议对我国中小学开展人工智能教育有着很好的启示与借鉴。
其一是进一步完善中小学信息技术课程标准中有关人工智能部分的标准，在现有基础上扩展修习学段，丰富课程内容，深化课程层次。目前，我国信息技术课程的国家标准中主要是在高中阶段对人工智能知识的学习提出了要求，内容主要涉及人工智能的基本特征、核心算法、特定领域人工智能应用系统的开发以及对人工智能及其应用的反思几个方面。与美国的标准相比，内容和目标的系统性还有待进一步提升。今天的孩子成长在一个由人工智能技术驱动的世界里，绝大部分孩子已经接触了各种形式的AI技术和产品，从低年段就可以开始对孩子进行AI教育，重要的是思考如何帮助他们理解AI技术是如何工作的[25]。
从课程目标看，中小学阶段组织学生学习人工智能，不是学习使用AI产品，也不是学习AI编程技术，重要的是学习AI认识世界、理解世界和解决问题的方式和方法，帮助学生形成一定的技术思维，同时又能辩证地审视AI技术，为未来在智能环境里工作和生活，或者为走上AI研究与实践的专业道路打下基础。可以借鉴AI4K12的内容框架，在系统考量AI研究与应用基本原理的基础上形成一个系统的主题框架，并在该框架下根据不同年龄学生认知能力与特点设计具体的学习目标。可为中低年段设置更多体验类的目标，引导他们体验AI的功能，感受其解决问题的思路和方法；针对高学段学生，更多设置理解AI功能底层的原理和算法，以及系统开发的目标。在课程内容上，可根据课程目标的要求，特别是不同年龄段目标的设定，选择相应的知识内容。
其二是进一步加强AI教学策略的研究和实践。作为计算机学科的一个分支，AI知识专业、复杂而深奥，不仅需要跨学科的知识，也需要较强的抽象逻辑思维。针对抽象逻辑思维并不发达，甚至还处于前运算和具体运算阶段的学生，如何引导他们学习AI知识？国内有学者提出“应用情境化、基于问题、基于案例的教学模式”[26]，也有人提出“基于项目学习的方式”[27]“应用任务驱动式、基于问题或融入游戏化机制的探究式教学”[28]。那么，AI教学策略可以有哪些？如何针对不同的教学目标设计相应的活动？
现有高中阶段信息技术课标有关人工智能部分的“教学提示”中比较笼统地给出了“案例分析”“项目学习”“小组合作”等教学策略和教学组织形式的建议，操作性有待进一步完善。同时现有研究较少，可供参考的理论或实践成果并不完善。可以借鉴AI4K12有关教学活动的建议，将教学活动和策略的选择充分建立在AI教学目标和AI知识内容特点的基础上。例如：感知AI特点，及其技术和产品功能的目标，适合开展实验类活动，通过实验操作AI软硬件资源，形成有关AI技术的直观认识；探究AI产品原理和算法原理的目标，更适合开展实验和模拟算法的活动，模拟算法的活动可以不依赖软硬件资源，通过简单的纸和笔就能探索AI解决问题的逻辑；应用AI原理和算法解决问题的目标，更适合开展设计类活动，在该活动中教师需要提供丰富的学习支架引导学生一步步达成问题的解决；辩证看待AI技术的影响的目标，适合开展案例分析的活动，通过实际例子引导学生多角度探索其中的伦理道德问题。依托以上由目标、知识内容与活动类型组成的设计框架，进一步设计和开发不同类型的活动流程与策略，并通过教育教学研究和实践进行检验和完善。
其三是进一步加强AI教学资源的挖掘和建设。在当前专业师资比较缺乏、地区差异较大的情况下，AI教学资源的建设显得尤其重要。各地可根据实际情况开展AI教育资源的建设。AI资源建设有两种方式。第一种是在基础较弱、师资缺乏的地方，可充分利用现有高质量的AI科普资源、开源软硬件等，先行开展一些以AI核心技术(如机器学习、自然语言处理等)作为教学对象的学习活动，在教学中不断检验和完善这些资源，并将其作为下一步课程开发的基础。第二种是在资源充足、软硬件条件成熟的地方，可组织有关力量开发专门针对中小学AI教育的教学资源，除了常规的教师用多媒体教学资源，还需要特别重视实验资源的开发，为学生提供富媒体资源的探究环境。各地、各校可根据具体情况在中学阶段开设AI选修课，或在科学课、综合实践课中安排AI的学习专题，使用并优化这些资源。
人工智能本身就是一个跨专业的综合领域，人工智能的教学自然也涉及多个学科。为了确保AI教学资源的科学性和规范性，需要加强人工智能领域内跨行业的合作。AI4K12行动充分体现了美国AI领域从高校研究者、知名企业实践者到教师的合作。不同行业的不同视角确保了AI中小学教育的专业性、规范性和适切性。此外，AI引入基础教育还处于初步发展阶段，特别需要高校、科研院所研究者、企业实践者和一线教师的共同努力，将AI理论知识、研究动态、实践应用与前沿发展以科学、专业、规范的方式进行组合，确保教学的质量。此外，研究者和实践者也可以作为外部的人力资源，为学生提供与AI科学家进行对话和学习的机会，提升学习兴趣，开阔视野。
参考文献：[1]吴飞,阳春华等.人工智能的回顾与展望[J].中国科学基金,2018,(3):243-250.[2]国务院.国务院关于印发新一代人工智能发展规划的通知(国发[2017]35号)[EB/OL].http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm,2019-12-09.[3]中华人民共和国教育部.教育部关于印发《教育信息化2.0行动计划》的通知[EB/OL].http://www.moe.gov.cn/srcsite/A16/s3342/201804/t20180425_334188.html,2019-12-09.[4]教育部.教育部关于印发《普通高中课程方案(实验)》和语文等十五个学科课程标准(实验)的通知[EB/OL].http://www.moe.gov.cn/srcsite/A26/s8001/200303/t20030331_167349.html,2019-12-09.[5]教育部.教育部关于印发《普通高中课程方案和语文等学科课程标准(2017年版)》的通知[EB/OL].http://www.moe.gov.cn/srcsite/A26/s8001/201801/t20180115_324647.html,2019-12-09.[6]李建,孟延豹.充分利用多种教学APP，开展人工智能课程——教学、社团、比赛相结合[J].中国信息技术教育,2018,(8):69-70.[7][16][18][28]陈凯泉,何瑶等.人工智能视域下的信息素养内涵转型及AI教育目标定位——兼论基础教育阶段AI课程与教学实施路径[J].远程教育杂志,2018,(1):61-71.[8]武迪,张思等.横向跨学科纵向分层次人工智能课程的设计与实施[J].中小学信息技术教育,2019,(6):21-23.[9][19]袁中果,梁霄等.中小学人工智能课程实施关键问题分析——以人大附中人工智能课程实践为例[J].中小学数字化教学,2019,(7):19-22.[10]马涛,赵峰等.海淀区中小学人工智能教育发展之路[J].中国电化教育,2019,(5):128-132.[11][13]王本陆,千京龙等.简论中小学人工智能课程的建构[J].教育研究与实验,2018,(4):37-43.[12]刘尚琴.国内中小学人工智能课程现状、问题及推进策略分析[J].中小学电教,2015,(5):37-40.[14]谢忠新,曹杨璐等.中小学人工智能课程内容设计探究[J].中国电化教育,2019,(4):17-22.[15]艾伦.中小学人工智能课程定位分析[J].中国现代教育装备,2017,(10):1-5.[17][27]韩克.高中信息技术课程中的人工智能教学[J].中国校外教育(中旬刊),2019,(10):165-168.[20]张学军,董晓辉.高中人工智能课程项目案例资源设计与开发[J].电化教育研究,2019,(8):87-95.[21]AAAI.AAAILaunches“AIforK-12”InitiativeincollaborationwiththeComputerScienceTeachersAssociation(CSTA)andAI4All[EB/OL].https://aaai.org/Pressroom/Releases/release-18-0515.pdf,2020-01-05.[22]CSTA.K-12ComputerScienceStantards,Revised2017[EB/OL].https://www.csteachers.org/page/standards,2020-01-05.[23]DavidS.Touretzky,ChristinaGardner-McCune,etal.K-12GuidelinesforArtificialIntelligence:WhatStudentsShouldKnow[EB/OL].https://ae-uploads.uoregon.edu/ISTE/ISTE2019/PROGRAM_SESSION_MODEL/HANDOUTS/112142285/ISTE2019Presentation_final.pdf,2020-07-15.[24][25]DavidS.Touretzky,ChristinaGardner-McCune,etal.EnvisioningAIforK-12:WhatShouldEveryChildKnowaboutAI?[EB/OL].https://aaai.org/ojs/index.php/AAAI/article/view/5053,2020-07-15.[26]马超,张义兵等.高中《人工智能初步》教学的三种常用模式[J].现代教育技术,2008,(8):51-53.作者简介:
方圆媛：副研究员，在读博士，研究方向为教学设计与绩效基数、基础教育信息化(fangyy@moe.edu.cn)。
黄旭光：副研究员，研究方向为基础教育信息化、基础教育数字资源的设计与开发(huangxg@moe.edu.cn)。
本文转载自微信公众号“中国电化教育”，作者方圆媛、黄旭光。文章为作者独立观点，不代表芥末堆立场，转载请联系原作者。
人工智能1、本文是芥末堆网转载文章，原文：中国电化教育；2、芥末堆不接受通过公关费、车马费等任何形式发布失实文章，只呈现有价值的内容给读者；3、如果你也从事教育，并希望被芥末堆报道，请您填写信息告诉我们。来源：中国电化教育芥末堆商务合作：010-57269867人工智能的学习，需要学习哪些算法和数学知识呢需要什么学历
https://www.toutiao.com/a6661754579887063566/
根据《人工智能影响力报告》显示：
人工智能科学家主要毕业于清华大学、中国科学院、中国科技大学、麻省理工大学、北京大学等知名学校，学历上看，73%的人工智能科学家都拥有博士学历，可见人工智能领域是高端人士的聚集地，普通人根本玩不了，你有没有瑟瑟发抖呢？
学习人工智能需要具备最最最总要的是学习态度和学习能力，毕竟是前沿科学行业，其次才是数学知识和编程能力，数学知识如果你是做学问做算法突破，那么对于你的数学能力要求是相当高的，如果是做工程等，数学这块要求并不高，大概大专文化水平就行。而编程能力是后面长期累积的，这个不是必要条件
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。
想学数据分析（人工智能）需要学哪些课程
转自：RobinShen
前言--正本清源：优化理论（运筹学），研究的是如何求解目标函数在约束条件下的最优解。机器学习、人工智能中的绝大部分问题，到最后基本都会归结为求解优化问题，因此学习优化理论是非常有必要的。机器学习中用到的优化，只是整个运筹学（最优化理论）中的一瞥。只需一门NumericalOptimization(数值优化)或ConvexOptimization(凸优化)即可。还有更简单粗暴的，书名直接叫做CONVEXOPTIMIZATIONINENGINEERING(工程中的凸优化)--机器学习中用到的优化和运筹学相比确实挺“工程”的。
下面是三本书目和下载链接（当然是英文原版的，还是免费的）：
1， NumericalOptimization，西北大学和美国阿贡实验室著（他引2w次）http://www.bioinfo.org.cn/~wangchao/maa/Numerical_Optimization.pdf
2， ConvexOptimization，斯坦福和UCLA教授著https://web.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf
3， CONVEXOPTIMIZATIONINENGINEERINGModelingAnalysisAlgorithms，以色列理工教授著http://www.st.ewi.tudelft.nl/~roos/courses/WI4218/tud00r.pdf
不喜欢看书的小伙伴，推荐Youtube（油管）搜索相关课程（当然你要自学怎么翻墙咯），很多世界名校的教授都非常无私地把自己上课视频上传油管。例如：斯坦福大学StephenBoyd教授在电子工程系（ElectricalEngineering）开的ConvexOptimization课程(EE364A，感谢评论区，该课为研究生课程）：https://www.youtube.com/watch?v=McLq1hEq3UY
说实话，运筹学出生的楼主，看到机器学习中的优化理论基本都是直接跳过的，因为实在太基础了。（喷子莫喷，学完运筹学下绝大部分优化课程再喷也不迟）运筹学作为专门研究优化理论的学科，其下分支是极为庞大的，那么机器学习中优化理论只需一门convexoptimization的原因在于，机器学习处理数据之庞大，因此基本假设便目标方程和约束空间是convex和continuous。这样导致运筹学的另外半壁江山nonconvex和integeroptimization（NP难问题）在机器学习的领域没有什么用武之地。当然随着计算机运算效率的提高，也开始有学者把nonconvex和integeroptimization应用于机器学习，比如楼主，还有楼主最近一篇paper的合作者之一，机器学习领域的法国国立应用科学学院（INSA）及诺曼底大学的StephaneCanu教授，就是这股潮流其中之二--我们利用混合整数规划模型直接求解L0范式的优化问题(通常的策略是求解L1或Lp范式--转化成convex和continuous)。
因此如果你纯粹做机器学习的应用，那么学convexoptimization就行，并且不用太在意理论性的东西，这是运筹学的研究者去研究的；如果搞科研，建议学完convex后可以跟进nonconvex和integerprogramming，因为以前没人用，把没有用过的理论应用过来，效果好就是一个新发现和好paper－－欢迎入坑。
如果你想入门机器学习、人工智能，除了优化还有很多其他许多基础课程，下面给你由浅入深一一列举：https://www.zhihu.com/question/50623000/answer/121833512（想学数据分析（人工智能）需要学哪些课程？）如果对运筹学感兴趣，可以看看楼主在下面的回答：运筹学如何入门？-知乎