演算法博弈論和知識圖譜漏洞修復

1. 謝謝，各位大神啊~~簡述博弈論與最優化理論的不同之處

我的理解，就經濟學來說，博弈論是方法，最優化是方法的方法。博弈論有具體含義，應用於特定情況；最優化作為一個更為根本的分枝，其應用范圍更大更廣。我的博弈論老師就是數學系研究最優化演算法出身，他經常用最優化裡面的方法來求解博弈論。至於重復博弈中的「收斂到均衡點」與最優化方法中的「收斂到最優解」的關系，我理解，使前者達到均衡點的「策略」類比於使後者達到最優解的「演算法」，並且都可能不是唯一的。

2. 人工智慧專業主要的課程是什麼呀

人工智慧技術關繫到人工智慧產品是否可以順利應用到我們的生活場景中。在人工智慧領域，它普遍包含了機器學習、知識圖譜、自然語言處理、人機交互、計算機視覺、生物特徵識別、AR/VR七個關鍵技術。

一、機器學習
機器學習(MachineLearning)是一門涉及統計學、系統辨識、逼近理論、神經網路、優化理論、計算機科學、腦科學等諸多領域的交叉學科，研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能，是人工智慧技術的核心。基於數據的機器學習是現代智能技術中的重要方法之一，研究從觀測數據(樣本)出發尋找規律，利用這些規律對未來數據或無法觀測的數據進行預測。根據學習模式、學習方法以及演算法的不同，機器學習存在不同的分類方法。
根據學習模式將機器學習分類為監督學習、無監督學習和強化學習等。
根據學習方法可以將機器學習分為傳統機器學習和深度學習。

二、知識圖譜
知識圖譜本質上是結構化的語義知識庫，是一種由節點和邊組成的圖數據結構，以符號形式描述物理世界中的概念及其相互關系，其基本組成單位是「實體—關系—實體」三元組，以及實體及其相關「屬性—值」對。不同實體之間通過關系相互聯結，構成網狀的知識結構。在知識圖譜中，每個節點表示現實世界的「實體」，每條邊為實體與實體之間的「關系」。通俗地講，知識圖譜就是把所有不同種類的信息連接在一起而得到的一個關系網路，提供了從「關系」的角度去分析問題的能力。
知識圖譜可用於反欺詐、不一致性驗證、組團欺詐等公共安全保障領域，需要用到異常分析、靜態分析、動態分析等數據挖掘方法。特別地，知識圖譜在搜索引擎、可視化展示和精準營銷方面有很大的優勢，已成為業界的熱門工具。但是，知識圖譜的發展還有很大的挑戰，如數據的雜訊問題，即數據本身有錯誤或者數據存在冗餘。隨著知識圖譜應用的不斷深入，還有一系列關鍵技術需要突破。

三、自然語言處理
自然語言處理是計算機科學領域與人工智慧領域中的一個重要方向，研究能實現人與計算機之間用自然語言進行有效通信的各種理論和方法，涉及的領域較多，主要包括機器翻譯、機器閱讀理解和問答系統等。
機器翻譯
機器翻譯技術是指利用計算機技術實現從一種自然語言到另外一種自然語言的翻譯過程。基於統計的機器翻譯方法突破了之前基於規則和實例翻譯方法的局限性，翻譯性能取得巨大提升。基於深度神經網路的機器翻譯在日常口語等一些場景的成功應用已經顯現出了巨大的潛力。隨著上下文的語境表徵和知識邏輯推理能力的發展，自然語言知識圖譜不斷擴充，機器翻譯將會在多輪對話翻譯及篇章翻譯等領域取得更大進展。
語義理解
語義理解技術是指利用計算機技術實現對文本篇章的理解，並且回答與篇章相關問題的過程。語義理解更注重於對上下文的理解以及對答案精準程度的把控。隨著MCTest數據集的發布，語義理解受到更多關注，取得了快速發展，相關數據集和對應的神經網路模型層出不窮。語義理解技術將在智能客服、產品自動問答等相關領域發揮重要作用，進一步提高問答與對話系統的精度。
問答系統
問答系統分為開放領域的對話系統和特定領域的問答系統。問答系統技術是指讓計算機像人類一樣用自然語言與人交流的技術。人們可以向問答系統提交用自然語言表達的問題，系統會返回關聯性較高的答案。盡管問答系統目前已經有了不少應用產品出現，但大多是在實際信息服務系統和智能手機助手等領域中的應用，在問答系統魯棒性方面仍然存在著問題和挑戰。
自然語言處理面臨四大挑戰：
一是在詞法、句法、語義、語用和語音等不同層面存在不確定性;
二是新的詞彙、術語、語義和語法導致未知語言現象的不可預測性;
三是數據資源的不充分使其難以覆蓋復雜的語言現象;
四是語義知識的模糊性和錯綜復雜的關聯性難以用簡單的數學模型描述，語義計算需要參數龐大的非線性計算

四、人機交互
人機交互主要研究人和計算機之間的信息交換，主要包括人到計算機和計算機到人的兩部分信息交換，是人工智慧領域的重要的外圍技術。人機交互是與認知心理學、人機工程學、多媒體技術、虛擬現實技術等密切相關的綜合學科。傳統的人與計算機之間的信息交換主要依靠交互設備進行，主要包括鍵盤、滑鼠、操縱桿、數據服裝、眼動跟蹤器、位置跟蹤器、數據手套、壓力筆等輸入設備，以及列印機、繪圖儀、顯示器、頭盔式顯示器、音箱等輸出設備。人機交互技術除了傳統的基本交互和圖形交互外，還包括語音交互、情感交互、體感交互及腦機交互等技術。

五、計算機視覺
計算機視覺是使用計算機模仿人類視覺系統的科學，讓計算機擁有類似人類提取、處理、理解和分析圖像以及圖像序列的能力。自動駕駛、機器人、智能醫療等領域均需要通過計算機視覺技術從視覺信號中提取並處理信息。近來隨著深度學習的發展，預處理、特徵提取與演算法處理漸漸融合，形成端到端的人工智慧演算法技術。根據解決的問題，計算機視覺可分為計算成像學、圖像理解、三維視覺、動態視覺和視頻編解碼五大類。
目前，計算機視覺技術發展迅速，已具備初步的產業規模。未來計算機視覺技術的發展主要面臨以下挑戰：
一是如何在不同的應用領域和其他技術更好的結合，計算機視覺在解決某些問題時可以廣泛利用大數據，已經逐漸成熟並且可以超過人類，而在某些問題上卻無法達到很高的精度;
二是如何降低計算機視覺演算法的開發時間和人力成本，目前計算機視覺演算法需要大量的數據與人工標注，需要較長的研發周期以達到應用領域所要求的精度與耗時;
三是如何加快新型演算法的設計開發，隨著新的成像硬體與人工智慧晶元的出現，針對不同晶元與數據採集設備的計算機視覺演算法的設計與開發也是挑戰之一。

六、生物特徵識別
生物特徵識別技術是指通過個體生理特徵或行為特徵對個體身份進行識別認證的技術。從應用流程看，生物特徵識別通常分為注冊和識別兩個階段。注冊階段通過感測器對人體的生物表徵信息進行採集，如利用圖像感測器對指紋和人臉等光學信息、麥克風對說話聲等聲學信息進行採集，利用數據預處理以及特徵提取技術對採集的數據進行處理，得到相應的特徵進行存儲。
識別過程採用與注冊過程一致的信息採集方式對待識別人進行信息採集、數據預處理和特徵提取，然後將提取的特徵與存儲的特徵進行比對分析，完成識別。從應用任務看，生物特徵識別一般分為辨認與確認兩種任務，辨認是指從存儲庫中確定待識別人身份的過程，是一對多的問題;確認是指將待識別人信息與存儲庫中特定單人信息進行比對，確定身份的過程，是一對一的問題。
生物特徵識別技術涉及的內容十分廣泛，包括指紋、掌紋、人臉、虹膜、指靜脈、聲紋、步態等多種生物特徵，其識別過程涉及到圖像處理、計算機視覺、語音識別、機器學習等多項技術。目前生物特徵識別作為重要的智能化身份認證技術，在金融、公共安全、教育、交通等領域得到廣泛的應用。

七、VR/AR
虛擬現實(VR)/增強現實(AR)是以計算機為核心的新型視聽技術。結合相關科學技術，在一定范圍內生成與真實環境在視覺、聽覺、觸感等方面高度近似的數字化環境。用戶藉助必要的裝備與數字化環境中的對象進行交互，相互影響，獲得近似真實環境的感受和體驗，通過顯示設備、跟蹤定位設備、觸力覺交互設備、數據獲取設備、專用晶元等實現。
虛擬現實/增強現實從技術特徵角度，按照不同處理階段，可以分為獲取與建模技術、分析與利用技術、交換與分發技術、展示與交互技術以及技術標准與評價體系五個方面。獲取與建模技術研究如何把物理世界或者人類的創意進行數字化和模型化，難點是三維物理世界的數字化和模型化技術;分析與利用技術重點研究對數字內容進行分析、理解、搜索和知識化方法，其難點是在於內容的語義表示和分析;交換與分發技術主要強調各種網路環境下大規模的數字化內容流通、轉換、集成和面向不同終端用戶的個性化服務等，其核心是開放的內容交換和版權管理技術;展示與交換技術重點研究符合人類習慣數字內容的各種顯示技術及交互方法，以期提高人對復雜信息的認知能力，其難點在於建立自然和諧的人機交互環境;標准與評價體系重點研究虛擬現實/增強現實基礎資源、內容編目、信源編碼等的規范標准以及相應的評估技術。
目前虛擬現實/增強現實面臨的挑戰主要體現在智能獲取、普適設備、自由交互和感知融合四個方面。在硬體平台與裝置、核心晶元與器件、軟體平台與工具、相關標准與規范等方面存在一系列科學技術問題。總體來說虛擬現實/增強現實呈現虛擬現實系統智能化、虛實環境對象無縫融合、自然交互全方位與舒適化的發展趨勢

3. 知識圖譜是什麼有哪些應用價值

知識圖譜 (Knowledge Graph) 是當前的研究熱點。自從2012年Google推出自己第一版知識圖譜以來，它在學術界和工業界掀起了一股熱潮。各大互聯網企業在之後的短短一年內紛紛推出了自己的知識圖譜產品以作為回應。比如在國內，互聯網巨頭網路和搜狗分別推出」知心「和」知立方」來改進其搜索質量。那麼與這些傳統的互聯網公司相比，對處於當今風口浪尖上的行業 - 互聯網金融， 知識圖譜可以有哪方面的應用呢？

目錄
1. 什麼是知識圖譜？
2. 知識圖譜的表示
3. 知識圖譜的存儲
4. 應用
5. 挑戰
6. 結語

1. 什麼是知識圖譜？

知識圖譜本質上是語義網路，是一種基於圖的數據結構，由節點(Point)和邊(Edge)組成。在知識圖譜里，每個節點表示現實世界中存在的「實體」，每條邊為實體與實體之間的「關系」。知識圖譜是關系的最有效的表示方式。通俗地講，知識圖譜就是把所有不同種類的信息（Heterogeneous Information）連接在一起而得到的一個關系網路。知識圖譜提供了從「關系」的角度去分析問題的能力。

知識推理

推理能力是人類智能的重要特徵，使得我們可以從已有的知識中發現隱含的知識， 一般的推理往往需要一些規則的支持【3】。例如「朋友」的「朋友」，可以推理出「朋友」關系，「父親」的「父親」可以推理出「祖父」的關系。再比如張三的朋友很多也是李四的朋友，那我們可以推測張三和李四也很有可能是朋友關系。當然，這里會涉及到概率的問題。當信息量特別多的時候，怎麼把這些信息（side information）有效地與推理演算法結合在一起才是最關鍵的。常用的推理演算法包括基於邏輯（Logic） 的推理和基於分布式表示方法（Distributed Representation）的推理。隨著深度學習在人工智慧領域的地位變得越來越重要，基於分布式表示方法的推理也成為目前研究的熱點。如果有興趣可以參考一下這方面目前的工作進展【4,5,6,7】。

大數據、小樣本、構建有效的生態閉環是關鍵

雖然現在能獲取的數據量非常龐大，我們仍然面臨著小樣本問題，也就是樣本數量少。假設我們需要搭建一個基於機器學習的反欺詐評分系統，我們首先需要一些欺詐樣本。但實際上，我們能拿到的欺詐樣本數量不多，即便有幾百萬個貸款申請，最後被我們標記為欺詐的樣本很可能也就幾萬個而已。這對機器學習的建模提出了更高的挑戰。每一個欺詐樣本我們都是以很高昂的「代價」得到的。隨著時間的推移，我們必然會收集到更多的樣本，但樣本的增長空間還是有局限的。這有區別於傳統的機器學習系統，比如圖像識別，不難拿到好幾十萬甚至幾百萬的樣本。

在這種小樣本條件下，構建有效的生態閉環尤其的重要。所謂的生態閉環，指的是構建有效的自反饋系統使其能夠實時地反饋給我們的模型，並使得模型不斷地自優化從而提升准確率。為了搭建這種自學習系統，我們不僅要完善已有的數據流系統，而且要深入到各個業務線，並對相應的流程進行優化。這也是整個反欺詐環節必要的過程，我們要知道整個過程都充滿著博弈。所以我們需要不斷地通過反饋信號來調整我們的策略。

6. 結語

知識圖譜在學術界和工業界受到越來越多的關注。除了本文中所提到的應用，知識圖譜還可以應用在許可權管理，人力資源管理等不同的領域。在後續的文章中會詳細地講到這方面的應用。

參考文獻

【1】De Abreu, D., Flores, A., Palma, G., Pestana, V., Pinero, J., Queipo, J., ... & Vidal, M. E. (2013). Choosing Between Graph Databases and RDF Engines for Consuming and Mining Linked Data. In COLD.

【2】User Behavior Tutorial

【3】劉知遠 知識圖譜——機器大腦中的知識庫 第二章 知識圖譜——機器大腦中的知識庫

【4】Nickel, M., Murphy, K., Tresp, V., & Gabrilovich, E. A Review of Relational Machine Learning for Knowledge Graphs.

【5】Socher, R., Chen, D., Manning, C. D., & Ng, A. (2013). Reasoning with neural tensor networks for knowledge base completion. In Advances in Neural Information Processing Systems (pp. 926-934).

【6】Bordes, A., Usunier, N., Garcia-Duran, A., Weston, J., & Yakhnenko, O. (2013). Translating embeddings for modeling multi-relational data. In Advances in Neural Information Processing Systems (pp. 2787-2795).

【7】Jenatton, R., Roux, N. L., Bordes, A., & Obozinski, G. R. (2012). A latent factor model for highly multi-relational data. In Advances in Neural Information Processing Systems(pp. 3167-3175).

4. 計算機論文題目

計算機論文題目

隨著大科學時代的到來及科技水平的高速發展，計算機科學與技術已經滲透到我國經濟、社會的各個領域，這些都有利於全球經濟的發展，還極大地推動了社會的進步，

計算機論文題目(一)

1、基於物聯網的煤礦井下監測網路平台關鍵技術研究

2、基於抽象狀態自動機和π演算的UML動態語義研究

3、基於多種數據源的中文知識圖譜構建方法研究

4、基於矩陣化特徵表示和Ho-Kashyap演算法的分類器設計方法研究

5、基於博弈論的雲計算資源調度方法研究

6、基於合約的泛型Web服務組合與選擇研究

7、本體支持的Web服務智能協商和監測機制研究

8、基於神經網路的不平衡數據分類方法研究

9、基於內容的圖像檢索與推薦技術研究

10、物聯網技術及其在監管場所中的應用

11、移動圖書館的研發與實現

12、圖書館聯機公共目錄查詢系統的研究與實現

13、基於O2O模式的外賣訂餐系統

14、網路時代個人數據與隱私保護的調查分析

15、微信公眾平台CMS的設計與實現

16、環保部門語義鏈網路圖形化呈現系統

17、BS結構計量信息管理系統設計與研究

18、基於上下文的天然氣改質分析控制系統的設計與實現

19、基於增量學習和特徵融合的多攝像機協作監控系統目標匹配方法研究

20、無線自組網路密鑰管理及認證技術的研究

21、基於CDMI的雲存儲框架技術研究

22、磨損均衡在提高SSD使用壽命中的應用與改進

23、基於.NET的物流管理軟體的設計與實現

24、車站商鋪信息管理系統設計與實現

25、元數據模型驅動的合同管理系統的設計與實現

26、安睡寶供應與銷售客戶數據管理與分析系統

27、基於OpenCV的人臉檢測與跟蹤演算法研究

28、基於PHP的負載均衡技術的研究與改進

29、協同葯物研發平台的構建及其信任機制研究

30、光纖網路資源的智能化管理方法研究

31、基於差異同步的雲存儲研究和實踐

32、基於Swift的雲存儲產品優化及雲計算虛擬機調度演算法研究

33、基於Hadoop的重復數據刪除技術研究

34、中文微博情緒分析技術研究

35、基於協議代理的內控堡壘主機的設計與實現

36、公交車輛保修信息系統的研究與設計

37、基於移動互聯網的光纖網路管理系統設計與開發

38、基於雲平台的展館綜合管理系統

39、面向列表型知識庫的組織機構實體鏈接方法研究

40、Real-time Hand Gesture Recognition by Using Geometric Feature

41、基於事件的社交網路核心節點挖掘演算法的研究與應用

42、線性判別式的比較與優化方法研究

43、面向日誌分類的蟻群聚類演算法研究

44、基於決策樹的數據挖掘技術在電信欠費管理中的應用與研究

45、基於信任關系與主題分析的微博用戶推薦技術

46、微博用戶興趣挖掘技術研究

47、面向多源數據的信息抽取方法研究

48、基於本體約束規則與遺傳演算法的BIM進度計劃自動生成研究

49、面向報關行的通關服務軟體研究與優化

50、雲應用開發框架及雲服務推進策略的研究與實踐

計算機論文題目(二)

51、復雜網路社區發現方法以及在網路擾動中的影響

52、空中交通擁擠的識別與預測方法研究

53、基於RTT的端到端網路擁塞控制研究

54、基於體系結構的無線區域網安全弱點研究

55、物聯網中的RFID安全協議與可信保障機制研究

56、機器人認知地圖創建關鍵技術研究

57、Web服務網路分析和社區發現研究

58、基於球模型的三維冠狀動脈中心線抽取方法研究

59、認知無線網路中頻譜分配策略的建模理論與優化方法研究

60、感測器網路關鍵安全技術研究

61、任務關鍵系統的軟體行為建模與檢測技術研究

62、基於多尺度相似學習的圖像超解析度重建演算法研究

63、基於服務的信息物理融合系統可信建模與分析

64、電信機房綜合管控系統設計與實現

65、粒子群改進演算法及在人工神經網路中的應用研究

66、污染源自動監控數據傳輸標準的研究與應用

67、一種智能力矩限制器的設計與研究

68、移動IPv6切換技術的研究

69、基於移動Ad hoc網路路由協議的改進研究

70、機會網路中基於社會關系的數據轉發機制研究

71、嵌入式系統視頻會議控制技術的研究與實現

72、基於PML的物聯網異構信息聚合技術研究

73、基於移動P2P網路的廣播數據訪問優化機制研究

74、基於開放業務接入技術的業務移動性管理研究

75、基於AUV的UWSN定位技術的研究

76、基於隱私保護的無線感測網數據融合技術研究

77、基於DIVA模型語音生成和獲取中小腦功能及其模型的研究

78、無線網路環境下流媒體傳送技術的研究與實現

79、異構雲計算平台中節能的任務調度策略研究

80、PRAM模型應用於同步機制的研究

81、雲計算平台中虛擬化資源監測與調度關鍵技術研究

82、雲存儲系統中副本管理機制的研究

83、嵌入式系統圖形用戶界面開發技術研究

84、基於多維管理的呼叫中心運行系統技術研究

85、嵌入式系統的流媒體播放器設計與性能優化

86、基於組合雙向拍賣的雲資源調度演算法的研究

87、融入隱私保護的特徵選擇演算法研究

88、濟寧一中數字化校園系統的設計與實現

89、移動合作夥伴管理系統的設計與實現

90、黃山市地稅局網路開票系統的設計與應用

91、基於語義的領域信息抽取系統

92、基於MMTD的圖像拼接方法研究

93、基於關系的垃圾評論檢測方法

94、IPv6的過渡技術在終端綜合管理系統中的實現與應用

95、基於超聲波測距與控制的運動實驗平台研發

96、手臂延伸與抓取運動時間協調小腦控制模型的研究

97、位置可視化方法及其應用研究

98、DIVA模型中定時和預測功能的研究

99、基於蟻群的Ad Hoc路由空洞研究

100、基於定向天線的Ad Hoc MAC協議的研究

計算機論文題目(三)

101、復雜網路社區發現方法以及在網路擾動中的影響

102、空中交通擁擠的識別與預測方法研究

103、基於RTT的端到端網路擁塞控制研究

104、基於體系結構的無線區域網安全弱點研究

105、物聯網中的RFID安全協議與可信保障機制研究

106、機器人認知地圖創建關鍵技術研究

107、Web服務網路分析和社區發現研究

108、基於球模型的`三維冠狀動脈中心線抽取方法研究

109、認知無線網路中頻譜分配策略的建模理論與優化方法研究

110、感測器網路關鍵安全技術研究

111、任務關鍵系統的軟體行為建模與檢測技術研究

112、基於多尺度相似學習的圖像超解析度重建演算法研究

113、基於服務的信息物理融合系統可信建模與分析

114、電信機房綜合管控系統設計與實現

115、粒子群改進演算法及在人工神經網路中的應用研究

116、污染源自動監控數據傳輸標準的研究與應用

117、一種智能力矩限制器的設計與研究

118、移動IPv6切換技術的研究

119、基於移動Ad hoc網路路由協議的改進研究

120、機會網路中基於社會關系的數據轉發機制研究

121、嵌入式系統視頻會議控制技術的研究與實現

122、基於PML的物聯網異構信息聚合技術研究

123、基於移動P2P網路的廣播數據訪問優化機制研究

124、基於開放業務接入技術的業務移動性管理研究

125、基於AUV的UWSN定位技術的研究

126、基於隱私保護的無線感測網數據融合技術研究

127、基於DIVA模型語音生成和獲取中小腦功能及其模型的研究

128、無線網路環境下流媒體傳送技術的研究與實現

129、異構雲計算平台中節能的任務調度策略研究

130、PRAM模型應用於同步機制的研究

131、雲計算平台中虛擬化資源監測與調度關鍵技術研究

132、雲存儲系統中副本管理機制的研究

133、嵌入式系統圖形用戶界面開發技術研究

134、基於多維管理的呼叫中心運行系統技術研究

135、嵌入式系統的流媒體播放器設計與性能優化

136、基於組合雙向拍賣的雲資源調度演算法的研究

137、融入隱私保護的特徵選擇演算法研究

138、濟寧一中數字化校園系統的設計與實現

139、移動合作夥伴管理系統的設計與實現

140、黃山市地稅局網路開票系統的設計與應用

141、基於語義的領域信息抽取系統

142、基於MMTD的圖像拼接方法研究

143、基於關系的垃圾評論檢測方法

144、IPv6的過渡技術在終端綜合管理系統中的實現與應用

145、基於超聲波測距與控制的運動實驗平台研發

146、手臂延伸與抓取運動時間協調小腦控制模型的研究

147、位置可視化方法及其應用研究

148、DIVA模型中定時和預測功能的研究

149、基於蟻群的Ad Hoc路由空洞研究

150、基於定向天線的Ad Hoc MAC協議的研究

5. 人工智慧需要什麼基礎

人工智慧需要什麼基礎？
人工智慧是一個包含很多學科的交叉學科，你需要了解計算機的知識、資訊理論、控制論、圖論、心理學、生物學、熱力學，你要有一定的哲學基礎，有科學方法論作保障。這些學科的每一門都是博大精深的，但同時很多事物都是相通的，你學了很多知識有了一定的基礎的時候再看相關知識就會觸類旁通，很容易。在這中間關鍵是要有自己的思考，不能人雲亦雲，畢竟人工智慧是一個正在發展並具有無窮挑戰和樂趣的學科，如果你對人工智慧感興趣，那歡迎到網路的人工智慧吧做客，那裡有對人工智慧豐富而深刻的討論。
需要必備的知識有: 1、線性代數：如何將研究對象形式化？ 2、概率論：如何描述統計規律？ 3、數理統計：如何以小見大？ 4、最優化理論： 如何找到最優解？ 5、資訊理論：如何定量度量不確定性？ 6、形式邏輯：如何實現抽象推理？ 7、線性代數：如何將研究對象形式化？人工智慧簡介: 1、人工智慧（Artificial Intelligence），英文縮寫為AI。 2、它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智慧涉及的學科: 哲學和認知科學，數學，神經生理學，心理學，計算機科學，資訊理論，控制論，不定性論，仿生學，社會結構學與科學發展觀。

1.人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。
2. 人工智慧是包括十分廣泛的科學，它由不同的領域組成。入門最基本的的知識是:機器學習、機械原理、計算機原理、計算機視覺等等。總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。

6. 人工智慧工程師需要學什麼

人工智慧知識體系
1、數學基礎
微積分
線性代數
概率統計
資訊理論
集合論和圖論
博弈論
2、技術基礎
計算機原理
程序設計語言
操作系統
分布式系統
演算法基礎
3、機器學習演算法
機器學習基礎：估計方法、特徵工程
線性模型：線性回歸
邏輯回歸
決策樹模型：GBDT
支持向量機
貝葉斯分類器
神經網路——深度學習：MLP、CNN、RNN（LSTM）、GAN
聚類演算法：K均值演算法
4、機器學習分類
監督學習：分類任務、回歸任務
無監督學習：聚類任務
遷移學習
強化學習
5、問題領域
語言識別
字元識別：手寫識別
機器視覺
自然語言處理：機器翻譯
自然語言理解
知識推理
自動控制
游戲理論和人機對弈：象棋、圍棋、德州撲克、星際爭霸
數據挖掘
6、機器學習架構
加速晶元：CPU、GPU、FPGA、ASIC（TPU）
虛擬化：容器（Decker）
分布式結構：Spark
庫和計算框架：TensorFlow、scikt-learn、Caffe、MXNET、Theano、Torch、MicrosoftCNTK
7、可視化解決方案
8、雲服務
AmazonML
GoogleCloudML
MicrosoftAzureML
阿里雲ML
9、數據集和競賽
ImageNet
MSCOCC
Kaggle
阿里天池
10、其他相關技術
知識圖譜
統計語言模型
專家系統
遺傳演算法
博弈演算法：納什均衡