人工智能與數學之間的關係可歸納為：
在AI領域工作的不懂數學的人就像一個不懂得說服的政治家。 兩者都有一個不可避免的區域可供使用。
現在，在你全部緊張起來之前，因為互聯網上的某個人只是告訴你你需要數學，放鬆一下。 你確實需要數學，但你不需要全部。 另外，我將在本文末尾告訴你秘訣。 但首先，你真的需要什麼樣的數學？
線性代數：這是您絕對需要熟悉的數學的一部分。 即使你只想成為一名深度學習的實踐者，而不是研究者，你仍然需要線性代數。 為什麼？
因為幾乎所有數據都將採用多維矩陣的形式。 您將使用代碼進行的許多魔術將要求您瞭解此類矩陣的操作。這絕對是你應該學習的東西。
微分學：如果你只是想在深度學習中創造一些有趣的項目，那麼這個並不是絕對必要的。 但是，如果你想深入瞭解事情是如何運作的，或者你想進行一些研究，那麼你需要在你的工具帶中使用這個工具。
統計：由於您將處理大量數據，並且您還需要操作，理解和可視化這些數據，因此您需要統計數據。
概率：如果你進入一些嚴肅的應用程序，那麼你也需要概率，因為通過任何類型的深度學習，你將處理概率。 嚴重的應用，如自動駕駛汽車，人工智能等將要求您使用概率模型。 但是對於一些輕量級深度學習，你不需要太多。
就數學而言，這幾乎就是深度學習所需要的。 如果你只是想玩深度學習並做一些輕量級項目來獲得樂趣，那麼只要熟悉這些概念就可以了。 但是，如果你想進入完整的研究模式，那麼你需要非常精通這些東西。
此外，您不需要成為數學嚮導來深入學習從業者。 您只需要學習線性代數和統計學，並熟悉一些微積分和概率。
現在，正如我所承諾的，秘密醬。 如果您感到被數學所嚇倒，這是您不進入深度學習或任何其他領域的唯一理由，那麼這個秘訣就是為您服務。 秘訣就是：學習數學的唯一方法是做數學 - 保羅·哈爾莫斯。
如果你想更加了解人工智能，或者說想實踐一下人工智能項目，谷歌的另一款工具或許可以幫到你，也就是谷歌的AIY Projects項目。 AIY Vision Kit附帶的軟件運行三個基於TensorFlow的神經網絡。 其中一個基於谷歌的MobileNets平臺，能夠識別超過1,000個日常物品。 第二個可以在圖像中發現面部和表情。 最後一個是專門用於識別貓，狗和人的神經網絡。
閱讀更多 引力空間站 的文章
