初步熟悉人工智能

人工智能七大方向

一、机器人学习
学习习惯分类 监督学习、无监督学习、强化学习
学习方法分类 传统机器学习、深度学习、迁移学习、主动学习、演化学习

二、知识图谱

三、自然语言处理
1.机器翻译
2.语义理解
3.问答系统

四、人机交互
1.语音交互
2.情感交互
3.体感交互
4.脑机交互

五、计算机视觉
1.计算成像学
2.图像理解
3.三维视觉
4.动态视觉
5.视频编解码

六、生物特征识别
指纹、人脸、虹膜、指静脉、声纹、步态

七、虚拟现实/增强现实

人工智能常用语言
Python、Java、Lisp、Prolog、C++、Yigo。

人工智能常见算法

逻辑回归（Logistic Regression）、
反向传递神经网络（Back Propagation Neural Network）、
Apriori算法、k-Means算法、图论推理算法（Graph Inference）、
拉普拉斯支持向量机（Laplacian SVM.）、Q-Learning
时间差学习（Temporal difference learning）
逐步式回归（Stepwise Regression），最小二乘法（Ordinary Least Square）
多元自适应回归样条（Multivariate Adaptive Regression Splines）
本地散点平滑估计（Locally Estimated Scatterplot Smoothing）
k-Nearest Neighbor(KNN),
学习矢量量化（Learning Vector Quantization， LVQ），
自组织映射算法（Self-Organizing Map ， SOM）
Ridge Regression， Least Absolute Shrinkage and Selection Operator（LASSO），
弹性网络（Elastic Net）
分类及回归树（Classification And Regression Tree， CART），
ID3(Iterative Dichotomiser 3)， C4.5， Decision Stump,
Chi-squared Automatic Interaction Detection(CHAID),
随机森林（Random Forest）， 多元自适应回归样条（MARS）
梯度推进机（Gradient Boosting Machine， GBM）
朴素贝叶斯算法，平均单依赖估计（Averaged One-Dependence Estimators， AODE），
Bayesian Belief Network（BBN）
支持向量机（Support Vector Machine， SVM），
径向基函数（Radial Basis Function ，RBF)，
线性判别分析（Linear Discriminate Analysis ，LDA)
k-Means算法、期望最大化算法（Expectation Maximization， EM）。
Apriori算法、Eclat算法
感知器神经网络（Perceptron Neural Network）, 反向传递（Back Propagation），
Hopfield网络，自组织映射（Self-Organizing Map, SOM）
学习矢量量化（Learning Vector Quantization， LVQ）
受限波尔兹曼机（Restricted Boltzmann Machine， RBN），
Deep Belief Networks（DBN），卷积网络（Convolutional Network）,
堆栈式自动编码器（Stacked Auto-encoders）
主成份分析（Principle Component Analysis， PCA）
偏最小二乘回归（Partial Least Square Regression，PLS）
Sammon映射，多维尺度（Multi-Dimensional Scaling, MDS）,
投影追踪（Projection Pursuit），Boosting，
Bootstrapped Aggregation（Bagging）， AdaBoost，
堆叠泛化（Stacked Generalization， Blending），
梯度推进机（Gradient Boosting Machine, GBM），随机森林（Random Forest）

人工智能常用书籍
人工智能时代
Python机器学习实践指南
深度学习
神经网络算法与实现
算法谜题
人脸识别
贝叶斯方法

人工智能问题解决方案
www.google.com
github.com