1樓：老王打碼
瀉藥。先說結論:至少離散數學和線性代數達到數學系學金融的本科畢業生的程度。
AI這東西。說白了就是個數學模型。使用點集回歸出乙個函式。如果你不知道是如何完成的。那麼你寫出的東西。永遠都是乙個純黑盒。
計算機在單層擬合的過程中，大概就是這樣做的:
- 往前走一步（梯度下降）﹏
- 臥槽，標誌值變大了，回來回來（回溯）(╥_╥)- 另乙個位置往前走一步 （梯度下降）﹏
- 誒？標誌值變小了。記下來記下來* (`)*……迴圈以上過程
- 標誌值小於閾值或者到迭代次數上限啦。給出我擬合的函式。(˙▽˙)然而在多層神經網路中。
這個過程會無限複雜下去。在AI中，數學比一切都重要。其實做程式的。
數學不好一些。很多地方都會被限制。計算機視覺啊，VR/AR啊，專業演算法啊，三維引擎啊。
都會被限制。
基礎設施決定上層建築。加油吧。(▽`)
2樓：[已重置]
AI是需要非常好的理論學科的知識支援，有條件有能力網上考的，當然要往上考，你當研究生和博士，你想上就能上嗎？假如你有條件有能力上，那一定不要喪失機會。
AI在寫演算法需要大量的基礎，學科的知識，比如高等數學，離散數學線性代數概率學統計學等等。還有很多計算機底層的知識，比如資料結構作業系統資料庫。ai的待遇非常優厚，但是路漫漫其修遠兮。
深度學習需要多強的數學基礎？
機器意識 如果希望做開創性的研究，概率論 線性代數 微積分是不夠的，這些數學工具提供不了藍圖，需要去了解一些不那麼古老的數學領域，比如近世代數 微分幾何 泛函分析等。打個比方，研究五次方程求根問題，會中學數學是不夠的，你需要會伽羅華群和域擴張 工作中很多都是推薦問題，如果了解微分幾何，我們可以用纖維...
機器學習是否需要完整紮實的數學基礎？
古月風耳 上過大學基本都問題不大 缺什麼補什麼。現在和你之間上學的被動學習過程不一樣了。當然如果機器學習要一直朝這個方向發展當然要打牢基礎 後面這個就可能是你的底層競爭力。 個人之前有幸自學過一部分機器學習。貴圈內比較流行的一句話是 數學好不好不影響入門，但是決定了以後在行業內的天花板。這句話的確很...
大家都說專公升本容易 是否有點基礎的就不需要太過於努力？
山東專公升本學姐 為什麼說容易？是因為相關檔案的支援，以及致力於培養高素質全能型人才，給予了專科生很多優惠的規定，大規模擴招 解決就業難等，幫助很多專科生可以有學上，有提高學歷的機會，畢業後也有保障。從試題難度上看，考察的基本上都是基礎知識，只要有些基礎和學習能力，再多下點功夫，是可以增加上岸的可能...