学习人工智能的数学基础是甚么

数理逻辑、离散数学、微积分是绝对重要的。 人工智能有很多分支，从各分支的总和来看，几乎所有的数学都是重要的。不过不论你将从事哪些分支的研究，有几项始终是重要的：数理逻辑、离散数学、微积分。对AI理论研究，需要很深的逻辑；象模态逻辑、时序逻辑等等非经典逻辑，还需要范畴学。对传统符号式机器学习，需要数理逻辑和离散数学、概率统计。对连接主义机器学习，需要概率统计、微积分。对强化学习和Agent，需要逻辑和运筹学。 祝你在学习中取得进步。

学机械专业的想在这个行业有所发展，要需要学习哪些数学知识作为基础？？

你做工程不需要数学，只要有经验公式和数据表就能应付了。
如果做研究，需要很多数学，比如研究材料的性能、研究机构本身的振动。
数学分析比微积分多出来的就是理论和证明。
比如实数的性质，极限、连续、积分、级数理论里更加精细的结构。

北大计算机辅助翻译备考难度大不大，就业方向

我是计算机专业本科生，英语研究生，多年英语翻译，劝你打消报计算机辅助翻译的想法，因为以后是人工智能的天下。人工智能会取代大部分的翻译工作，比如口译，一般文件翻译等。如果你是计算机专业，学好计算机专业知识即可，那样计算机辅助翻译对你而言几乎不用怎么学就能掌握；如果是英语专业，那你找一个更靠近英语的专业来考吧。计算机辅助翻译属于一直没有成气候的专业，就业方向有大翻译公司，大公司的翻译部门，政府情报部门等。干翻译多年，我深有体会，这个专业是几乎是没用的，因为计算专业的人差不多不学就会 （计算机编程+机器学习+术语库），而英语专业由于数学基础丢了多年，计算机基础几乎没有，学起来特别费劲，而且学会了也未必有用。声明一下，这是就事论事，不针对北大，也不针对个别专业。

机器学习需要哪些数学基础

我们知道，机器学习涉及到很多的工具，其中最重要的当属数学工具了，因此必要的数学基础可谓是打开机器学习大门的必备钥匙。机器学习涉及到的数学基础内容包括三个方面，分别是线性代数、概率统计和最优化理论。下面小编就会好好给大家介绍一下机器学习中涉及到的数学基础知道，让大家在日常的机器学习中可以更好地运用数学工具。

首先我们给大家介绍一下线性代数，线性代数起到的一个最主要的作用就是把具体的事物转化成抽象的数学模型。不管我们的世界当中有多么纷繁复杂，我们都可以把它转化成一个向量，或者一个矩阵的形式。这就是线性代数最主要的作用。所以，在线性代数解决表示这个问题的过程中，我们主要包括这样两个部分，一方面是线性空间理论，也就是我们说的向量、矩阵、变换这样一些问题。第二个是矩阵分析。给定一个矩阵，我们可以对它做所谓的SVD分解，也就是做奇异值分解，或者是做其他的一些分析。这样两个部分共同构成了我们机器学习当中所需要的线性代数。

然后我们说一下概率统计，在评价过程中，我们需要使用到概率统计。概率统计包括了两个方面，一方面是数理统计，另外一方面是概率论。一般来说数理统计比较好理解，我们机器学习当中应用的很多模型都是来源于数理统计。像最简单的线性回归，还有逻辑回归，它实际上都是来源于统计学。在具体地给定了目标函数之后，我们在实际地去评价这个目标函数的时候，我们会用到一些概率论。当给定了一个分布，我们要求解这个目标函数的期望值。在平均意义上，这个目标函数能达到什么程度呢？这个时候就需要使用到概率论。所以说在评价这个过程中，我们会主要应用到概率统计的一些知识。

最后我们说一下最优化理论，其实关于优化，就不用说了，我们肯定用到的是最优化理论。在最优化理论当中，主要的研究方向是凸优化。凸优化当然它有些限制，但它的好处也很明显，比如说能够简化这个问题的解。因为在优化当中我们都知道，我们要求的是一个最大值，或者是最小值，但实际当中我们可能会遇到一些局部的极大值，局部的极小值，还有鞍点这样的点。凸优化可以避免这个问题。在凸优化当中，极大值就是最大值，极小值也就是最小值。但在实际当中，尤其是引入了神经网络还有深度学习之后，凸优化的应用范围越来越窄，很多情况下它不再适用，所以这里面我们主要用到的是无约束优化。同时，在神经网络当中应用最广的一个算法，一个优化方法，就是反向传播。

数学分析（高等数学）
线性代数（矩阵论、矩阵分析、矩阵分解、矩阵微积分）
概率论（贝叶斯、数理统计、最大熵、多元正态分布、随机过程、马尔科夫）
凸优化理论
信息论初步
目前能想起来这些，博客、书籍、公开课都不错