1. 数学基础。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。这一模块我将介绍研究人工智能必备的数学基础知识，包括线性代数、概率论、最优化方法等。

2. 机器学习。机器学习的作用是从数据中习得学习算法，进而解决实际的应用问题，是人工智能的核心目标之一。这一模块我将介绍机器学习中的主要方法，包括线性回归、决策树、支持向量机、聚类等。

3. 人工神经网络。作为机器学习的一个分支，神经网络将认知科学引入机器学习当中，以模拟生物神经系统对真实世界的交互反映，并取得了良好的效果。这一模块我将介绍神经网络中的基本概念，包括多层神经网络、前馈与反向传播、自组织神经网络等。

4. 深度学习。简而言之，深度学习就是包含多个中间层的神经网络，数据的爆炸和计算力的飙升推动了深度学习的崛起。这一模块我将介绍深度学习的概念与实现，包括深度前馈网络、深度学习中的正则化、自动编码器等。

5. 神经网络实例。在深度学习框架下，一些神经网络已用于各种应用场景，并取得了不俗的效果。这一模块我将介绍几种神经网络实例，包括卷积神经网络、递归神经网络、深度信念网络等。深度学习之外的人工智能。

6. 深度学习既有优点也有局限，其他方向的人工智能研究正是有益的补充。这一模块我将介绍几种与深度学习无关的学习方法，包括马尔可夫随机场、迁移学习、集群智能等。

7. 应用实例。除了代替人类执行重复性的劳动之外，在诸多实际问题的处理中，人工智能也提供了有意义的尝试。这一模块我将介绍人工智能技术在几类实际任务中的应用，包括计算机视觉、语音识别、对话系统等。

🔗 引用文章

开篇词 | 人工智能：新时代的必修课-极客时间

在未来的几个月中，“人工智能基础课”这个专栏将和你分享人工智能的基础知识，以帮助你更好地理解人工智能的内涵。

https://time.geekbang.org/column/article/1291?utm_source=time_web&utm_medium=menu&utm_term=timewebmenu&utm_identify=geektime&utm_content=menu&utm_campaign=timewebmenu&gk_cus_user_wechat=university