藍色Zero2017-05-07 18:44:28在這裡，我們需要明確一個概念與基礎，那就是人工智慧不僅僅是你所理解的計算機專業本身（我猜想你理解的計算機專業只是程式編碼本身）。然而，即使是計算機專業本身，不是為了人工智慧，你也逃離不掉機率統計。在計算機等工科專業中，有三門數學課程是逃不掉的，這也是考研考的，那就是高等數學、線性代數、機率論與統計，計算機專業不僅僅等價於編碼，計算機專業會涉及到作業系統、計算機組織、編譯原理、數學、甚至還有軟體工程專案管理與UML等很多，這裡面很多都不僅僅是編碼與程式設計本身。
那麼，讓我們回到人工智慧，人工智慧並不神秘，它目前所依賴的一個強烈的基礎就是數學，而這裡面機率統計與統計學佔有著強有力的比重。舉一個非常淺顯易懂，但並不十分嚴謹的例子，計算機應用人工智慧去判定一張圖片是否是貓，或者說今天是否會下雨，它所依賴的就是非常多的特徵，非常多的過去資料，這些特徵與過去的資料都能如我們的程式編寫一樣一一匹配嗎？答案是否定的，在這裡會有一個機率閥值，我們認為大於了這個機率閥值，就認為是一個答案，小於則是另外一個答案，如是貓，或者不是貓。那麼，對於不同的情況，不同的特徵，不同的業務，你所需要的機率計算模型是不同的，甚至拋開模型，即使是如何來進行機率計算值的本身都是需要知道的，如你是否知道貝葉斯公式的機率計算？那麼，對於人工智慧來說，如上文所述，你所需要了解的也並僅僅是機率統計，還有線性代數（如矩陣的計算，乃至對矩陣求導）、高等數學（求導）等都需要掌握，而且計算機本身也是需要掌握，因為你要讓你的模型跑的更快，跑的更好，跑的更穩定，這離不開計算機知識的支撐。
