学习神经网络需要先学会哪些知识？

    1.最简单的神经网络模型让你消除学习难度的顾虑

 

    举个简单的例子，现在需要通过发动机来判定一辆车的价格，建立一个直角坐标系，横坐标假设为发动机数据e而竖坐标假设为p，假设有一组车的数据，均匀分布在坐标系中，相信大家都学过线性回归，就算是只上过高中也会对回归函数有一定的了解。最终你得到的一条很好能拟合发动机和价格之间关系的折线，其中假设发动机参数和价格的关系是连续不间断的，那么这个处理过程则可以抽象成以下的关系，如下：

 

    这便是一个最简单的神经网络，中中间部分就是一个神经元，现在是不是觉得神经网络很简单？那么自然世界的真实用例肯定不可能这么简单，那么我们知道除了发动机、汽车的空间大小、内饰、做工、空调系统、导航系统等等一系列的参数都可以影响汽车的价格，那么你会发现你的输入值越来越多，那么输出值也就越来越准确，如果再加上其他的外界因素，那么你这个模拟的模型就会越来越接近真实值，这便是神经网络，这便是深度学习的核心，也是人工智能的核心，但是抽象以后你会觉得其实并不难。

 

    因此为什么要觉得自己不适合或者因为自己的知识储备不够而拒绝接受新的知识呢？不仅仅是人工智能，其他领域也都一样。

 

    2.要想有一定的造诣尤其是想吃这口饭，你必须要学习更多

 

    当然，对于要想获得更多的专业的知识，那么具体哪些知识能让你事半功倍呢？首先对于学习计算机的学生来说，不管你用不用得到，有几门本事学习好了，百利无一害，一是微积分、二是离散数学、三是英语，毫无疑问，计算机科学本质上跟数学关系紧密，甚至可以说数学就是编程的本质，这也是最早图灵完备的计算机的最初来源，而微积分、离散数学是计算机科学的基础数学知识。

 

    对于英语，相信不用多说，不是必须，却是让你事半功倍的好工具，英语知识好，你可以看国外众多的顶级名校的mooc，你可以第一时间找到最新的人工智能前沿知识，能第一时间翻看最新的技术文档，毫无疑问学好英语让你求知路上更加简单。除此之外，你需要掌握更多的线性代数和概率论方面的知识，矩阵运算是神经网络的核心，线性方程组、凸优化、梯度等等知识能够让你在算法优化上取得更好的结果。当然，你还需要较好的计算机基础、编程基础，建议了解一些关于视觉识别方面的行业资讯、了解一些组成、编译方面的知识，编程语言的话python是个不错的选择。