人工智能好学吗？
其代表性东东即神经网络算法，不算难。
升级有：深度学习，大数据处理，机器识别，等，学无止境。
人工智能不好学，而且非常不好学。
但是，如果你只是使用现有的一些AI算法的话，也没有那么难。
先说说基本要求吧：
首先是数学。人工智能的基础是数学，特别是高等数学，需要掌握的知识包括但不限于线性代数、概率论、数理统计等等，这些仅仅是入门的必须数学知识，等入门以后，你会发现更多的其他数学知识。其次是计算机基础知识。比如算法、信息论等，还要掌握至少一门高级语言，目前这个领域python、java比较流行，相关的开源代码和库较多。入门后你会发现还需要大数据处理相关的基础技能，这样会对你的操作系统技能、数据库处理、集群部署等提出一定的要求，不过也不要怕，这时候一般会有一个团队和你一块做这些。第三就是英语。目前大部分最新的文献资料基本都是英语，中文的也有，但是比较少，而且比国外晚很长时间才有可能出现。最后就是获得基础的大量原始数据。这个在国外可能比较难获取，国内环境宽松，获得的难度好一点，如果不能获得真实的海量数据，你的训练也没有意义，获得的模型也是不准确的。如果具备了上述4点，就可以比较顺畅的进行人工智能的研究学习了，如果一开始没有找到研究的方向，第四点不具备也没关系，可以先从算法学习等方向入手，以后找到方向了再想办法获得数据。
总的来说，人工智能虽然没有想象的那么神秘，但是真要研究起来也没那么简单，毕竟，这是个从海量数据里寻找规律，找出问题解决模型的一种方式，牵涉的方方面面很多，如果没有很大的毅力，想有大的发现还是比较困难的。
如果只是想将来找份人工智能相关的工作，也不用这么辛苦的研究，把工具学习好，把现有的算法学习好就可以了。
学人工智能需要哪些基础？
可以从如下几个方面学习：
1、学习人工智能发展史，了解目前处于什么发展阶段，例如：从算法驱动到数据驱动，计算、数据和算法驱动。
2、了解人工智能产业布局，上下游生态链，例如：底层深度学习平台、中间层通用算法、上层应用领域+AI和AI+。
3、了解机器学习算法，熟悉深度学习算法和强化学习算法，知道谁是三剑客：LeCunBengioHinton。
4、熟悉人工智能芯片，从GPU、到FPGA、再到TPU。
5、熟悉深度学习框架，例如：Tensorflow、Caffe、CNTK等，可以进行二次开发，可以进行社区贡献。
6、熟悉人工智能通用技术，例如：图像识别、语音识别、人机交互等。
7、熟悉上层应用领域，例如：汽车、安防、教育、征信、农业、传媒、芯片等。
8、学习数学知识，例如：高数、线性代数、概率论等。
9、当然，可以学一点大数据技术，这是现阶段人工智能基础。还可以学习云计算支持，人工智能可以与云端相结合。
看到很多人都回答了数学基础知识，而且很清楚很详细，所以我在这里除了说一下数学以外，人工智能还需要具备的知识基础和一些介绍
需要数学基础有：
高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析。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。线性代数将研究对象形式化，概率论描述统计规律。
除此之外还需要一些其他的知识
1，需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累。
2，需要掌握至少一门编程语言，比如Python语言。毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少。
拓展资料：
人工智能（Artificial Intelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。但不同的时代、不同的人对这种“复杂工作”的理解是不同的。
下面以图表的形式详细说明
本人从事IT行业，也正在进军人工智能领域，欢迎关注，共同谈论，知无不言
