一、人工智能的三大专业知识？

人工智能产业技术的：算法、计算能力、信息大数据融合，成为人工智能发展最基本、最基础的基本三要素。

收集的大量数据，数据是驱动人工智能取得更好的识别率和精准度的核心因素;

落实在产品应用上，算法可表现为：视频结构化(对视频数据的识别、分类、提取和分析)、生物识别(人脸、虹膜、指纹、人脸识别等)、物体特征识别(不同物体识别，不同物体代表性物体识别，如：车牌识别系统)等几大类。

互联网时代大数据迎来爆发式增长，全球的数据总量都飞快的增长，数据高速积累的同时现有算力根本无法匹配。

传统架构基础硬件的计算力也不能满足大量增长的多数据信息计算的同时，更无法满足人工智能相关的高性能计算需求，多PU硬件组合+强大的多功能并行处理计算能力，成为当下人工智能必备的基本平台。

数据总量飞速的增长、积累的同时，信息数据的收集、整理与融合成为了人工智能深度学习和算法升级与服务应用落地的根本，大数据与融合计算成为了人工智能发展必然的关键。

二、学习人工智能知识清单？

人工智能目前是个前沿学科。

当前对于人工智能的解决方案，似乎很难逃出自动化和功能软件的范畴。

即，当前研究人工智能，就像是物理学家在探寻新的自然规律。

你需要具备几个要素：

1.知识积累

2.思维能力

3.不局限和幻想意识

4.最重要的，要有兴趣

然后你得自己寻找答案，和建立解决方案。

在真正的切实可靠的，完美的意识模型产出以前，你也许很难得到经济回报。

因为很难证明你的努力有价值。从而在其他方面，也很难被人理解。

首先你需要数学基础：高等数学，线性代数，概率论数理统计和随机过程，离散数学，数值分析

其次需要算法的积累：人工神经网络，支持向量机，遗传算法等等算法；当然还有各个领域需要的算法，比如你要让机器人自己在位置环境导航和建图就需要研究SLAM；总之算法很多需要时间的积累；

然后，需要掌握至少一门编程语言，毕竟算法的实现还是要编程的；如果深入到硬件的话，一些电类基础课必不可少；

人工智能一般要到研究生才会去学，本科也就是蜻蜓点水看看而已，毕竟需要的基础课过于庞大。

三、如何用人工智能从本地知识库文件夹处理和分析数据？

1.首先数据收集。数据分析的第一步是数据收集。在人工智能技术的支持下,数据收集可以更加高效和自动化。传感器、物联网设备以及社交媒体等渠道都可以提供大量的数据。

2.数据清洗与预处理，数据收集完毕后,需要对数据进行清洗和预处理。由于数据来源的多样性和复杂性,数据中常常存在噪声、缺失值、异常值等问题。人工智能技术可以帮助我们自动识别和处理这些问题。

四、学习人工智能AI需要哪些知识？

作为IT开发人员，根据自己的经验简单的做了一下总结，分了两大部分内容：

一、自然语言处理（NLP）

（1）、基础

1、文本清洗（正则、分词与规范化）；

2、中文分词（HMM、trie tree、工具有jieba）

3、文法分析

4、词袋模型（ngram）

5、关键词抽取（tfidf、texttrank）

6、语义相似度（term、score、距离函数）

7、文本的向量化表示（word2vec(skip、gram、glove)、elmo、bert）

8、机器学习（lr、svm、bayesian、fast text、）

9、深度学习（textCNN、textRNN、seq2seq、siamese LSTM、DSSM、attention）

（2）、在实际项目中的应用

1、实体识别（应用：医疗智能、对话机器人）、（技术：CRF、bilstm-CRF、PCNN）、（扩展：知识图谱、图数据库）

2、query相似变换（应用：sug、纠错改写）、（技术：elasticsearch 建库索引）

3、文本分类（应用：情感识别、文章类型、意图识别（样本爬取）、语种检测）

4、序列标注（机器翻译、词性标注）

5、文本生成（应用：诗歌对联、摘要生成）、（技术：VAE、GAN）

6、聊天机器人（案例：百度anyQ）

二、图像视觉处理（计算机视觉）

（1）、主要应用

1、主要应用：无人驾驶、医疗影像诊断、安防、人脸识别、视频内容理解、图像分类、图像分割、目标检测、目标跟踪。

2、OpenCV

3、图像分类（CNN、AlexNet、LeNet、VGG、ResNet、Fast-RCNN）

4、图像检索（距离度量与检索、图像特征抽取、LSH近邻检索算法）

上面两大内容中要学习的内容分为三个阶段

第一阶段：人工智能基础。包括编程基础：机器学习深度学习框架例如tensorflow/pytorch；数学基础：高等数学，线性代数，概率论，统计学知识；机器学习基础：决策树，逻辑回归，聚类算法，支持向量机，集成学习；深度学习基础：反向传播，链式求导，卷积神技网络，循环神经网络等。

第二阶段：算法在NLP领域的实践应用。基础的NLP任务：词法分析，包括：分词，词性标注等；句法依存分析；语义表示与语言模型；命名实体识别；文本分类；文本生成；机器翻译；信息检索等。

第三阶段：算法在CV领域的实践应用。CV图像处理的基础，opencv的框架；同时也是基于cv领域应用最广的几种任务：图像分类；语义分割；图像目标检测；目标跟踪；序列分析。

五、人工智能需要哪些知识储备？

学习人工智能技术通常要根据自身的知识基础来选择一个学习切入点，对于初学者来说，可以按照三个阶段来学习人工智能技术，分别是基础知识阶段、人工智能平台阶段和实践阶段。

人工智能技术目前有六大主要研究方向，其中计算机视觉、自然语言处理、机器人学和机器学习这几个方向的热度比较高，相关领域正在有越来越多的产品开始落地应用，比如目前大型互联网（科技）公司推出的人工智能平台，多以视觉和语言处理为基础进行打造。对于初学者来说，从机器学习开始学起则是不错的选择。

六、专家知识库是人工智能吗？

专家知识库是人工智能。

因为专家知识库是专家系统的核心之一，其主要功能是存储和管理专家系统中的知识，主要包括来自书本上的知识和各领域专家在长期的工作实践中所获得的经验知识，专家系统已广泛应用于化学、电子学、医学、地质学等众多领域。专家系统是人工智能领域的一个分支。