人工智能需要学习哪些数学知识？
需要先循序渐进地学习几门基础知识：
1、高等数学
2、线性代数
3、概率和数理统计
4、一门计算机语言（Java/C++/Python and the like)
5、算法
从我目前工作中用到的数学的角度来讲一下：
- 初级知识：
2. 高级知识
- 微分学
- 积分学
- 求导
- 统计学
- 线性代数
- 贝叶斯原理
- 最小二乘法
- sigmoid函数
谢邀，如果要说全，那就多了去了。但实际上如果认真学习大学数学，其实基础已经基本满足，我下面列一些基本的数学知识要求供参考。
基本要求内容：
n阶行列式
n维向量组求解
向量矩阵求解
正定二次型问题
阶方阵的相似矩阵问题
线性规划问题
数学、统计学与编程一起构成了数据科学（data science）的基础，而数据科学，是人工智能的基本知识之一，因此，学习这些基础是极为重要的：
1、线性代数（Linear Algebra）
3、统计分布（Statistical Distributions）
4、概率论（Probability theory）。包括：矩量母函数（Moment Generating Function，简称MGF），CGF，均值（Mean），中位数（Median），众数（Mode），最大似然估计方差（Variance Maximum likelihood Expectation），中心极限定理（Central Limit Theorems），方差分析（Analysis of Variance，简称ANOVA）
5、微积分（Calculus）
6、拟合分析（Fitting of a distribution）
7、样本（Sampling）
8、统计学***设检验（Testing of a hypothesis）
9、贝叶斯建模（Bayesian Modeling）
下面列举一下人工智能研究所需要的最基本的一些数学知识（我们***定读者至少已经具有了中学的数学基础）：
（1）基本的数值计算常识（牛顿法，二分法，线性回归和最小二乘，误差控制）。
（2）基本的微积分，高维函数的微积分（尤其是微分的部分）。
（3）基本的线性代数：向量和矩阵运算，矩阵求逆，相似矩阵，矩阵的特征值和特征向量，行列式等。
（4）期望，方差，协方差等基本概念。常见的概率分布，条件概率的链式法则，贝叶斯公式，极大似然估计。
有了上面这些基本的知识，至少就已经可以开始看一些教科书开始试试看了。当然，在学习的过程中，你讲会发现以下知识也应该是需要掌握的：
（a）高维函数的微积分与线性代数的综合知识，Hessian 矩阵，Jacobian 矩阵，二次型等等。
（b）奇异值分解，矩阵的范数，一些特殊矩阵的性质等等。
（c）一些简单的与优化有关的知识。
（d）熟悉指数族概率分布函数，对概率分布函数的更多刻画：矩，熵，互信息，KL divergence 等等。
到此，以上就是小编对于数学博士编程教程的问题就介绍到这了，希望介绍关于数学博士编程教程的1点解答对大家有用。
