知友：李麟
人工智能可以说是一门高尖端学科，属于社会科学和自然科学的交叉，涉及了数学、心理学、神经生理学、信息论、计算机科学、哲学和认知科学、不定性论以及控制论。研究范畴包括自然语言处理、机器学习、神经网络、模式识别、智能搜索等。应用领域包括机器翻译、语言和图像理解、自动程序设计、专家系统等。
对于本科并没有专门、深入的AI、ML专业，因为毕竟这些方向属于高层次的知识，需要一定的基础。但由于现在AI热还有工业界对于这方面人才的强烈需求，所以已经有些大学专门开设了数据科学专业，更甚者是数据科学学院。所以如果有意向从事AI相关的工作，在本科专业上可以尝试以下选择：
1、如果是暂时没有太大倾向，既有可能做科学研究，也有可能做工程开发，可以选计算机方向，例如“计算机科学”（Computer Science），软件工程（Software Engineering），目前情况来看，最对口从事AI方向的的确是CS，AI具体的里面的子领域如Machine Learning，Computer Vision， Natural Language Processing，Data Mining等，在CS的高年级和研究生阶段都有对应的课程和研究方向。
AI工作既需要非常扎实和广泛的数学基础同时也要求很高的实做能力，而CS正好在这两方面都有着重培养。如果要专门从事这个AI领域，本科选择CS是一个极佳的选择，当然智能科学方向只是CS这一个大专业的其中一个子领域，对于没有从事这方向的CS学生来说，之后转向此领域也是相对比较容易的，毕竟CS的基础是从事AI工作的必要条件，在当今各个领域全面智能化的今天，各个领域都需要AI人才和懂如何配合AI工作的其他领域的人才，而这两者的高端人才都将大量来源于CS专业。
2、如果是潜心做学术，搞理论研究，那么专业推荐选择“应用数学”。
目前的机器学习机器学习本质上是微分方程、概率论、矩阵分析等等数学领域的一个应用场景。而近年来发展蓬勃的深度学习，正是机器学习的一个非常接近人工智能的分支。因此，人工智能方向的研究人员需要有扎实的数学基础才能做好AI的理论研究。
这个专业主要是培养学生的数学基础，比如微分方程、线性代数、数理统计、信息论等，这些都是人工智能和机器学习的基础。除了这些基础的学科知识，还可以了解下传统机器学习的知识，多加锻炼编程能力和英语，但完成本科应用数学专业的学生，如果就读研究生，通常就转专到计算机方向或者经济类方向。
3、我国前几年还出了“智能科学与技术”专业，根据你的高考成绩，可以尝试选择清华大学，北京大学，上海交通大学，浙江大学，复旦大学，南京大学，东南大学，哈尔滨工业大学，西安交通大学，华中科技大学，北京理工大学，中山大学，大连理工大学，重庆大学，湖南大学，电子科技大学，西安电子科技大学，华南理工大学等数十家高校（排名不分先后）。
但是大学教育还不强调很专业很深入的，在本科阶段需要学的广一些，把基础打好，提高GPA，广泛涉猎其他领域，找准自己真正的兴趣。
修过“智能科学与技术”这个专业的人表示，其实学的东西基本上是介于Computer Science和Electrical Engineering专业之间的，虽然也有模式识别，但是都是比较表面，并没有深钻研，真正的有关智能的研究却是在研究生阶段，但是本科如果能有比较好的基础（不仅是在数学和英语，还有编程能力，比较简单的智能算法的仿真与应用），这对以后的学习与发展都是很有帮助的。
不排除现在的自动化、通信、机械 等专业在一定程度上都会往智能靠拢，无论是什么专业都可以在课外学习相关的知识，尤其是在这个优质学习资源随手可得，终身学习的时代，但在整体课程的安排上，这个专业还是会不同于其他的专业，而且这有个优点是在读研复试的时候会有些加分，缺点在于：如果不读研，那么就业平均情况是弱于其他专业的，毕竟这个专业在社会认可度较低，而且本科知识较浅，基本上对于职业化帮助不大。
但是无论选择什么专业，只要想要从事AI的工作，可以尝试去掌握以下技能：
1、Information Theory：开启新的视角，无论是理论还是应用都会用到 推荐教材：Elements of Information Theory 2nd Edition
2、Linear Algebra：基础中的基础必须学会 推荐教材: Gilbert Strang 的书和视频
Linear Algebra，Stephen H. Friedberg
3、Basic statistics & probability & stochastic process：
顺便说一下，一般的鄙视链是这样的：algebra > probability > statistics > statistical learning > computer vision > old-school AI。
概率学深了可以很深，但是对the application of machine learning (a.k.a. computer vision) 用处不大。 推荐教材：暂时没有
4、Signal Processing/Image Processing：对于computer vision很重要，但对有的领域比如NLP，或者大部分machine learning ，用处有限。 推荐教材：Image Processing, Analysis, and Machine Vision很老但是适合扫盲。
Richard Szeliski的Computer Vision: Algorithms and Applications 新但是略偏
graphics和multimedia，Computer Vision: A Modern Approach (2nd Edition) Amazon.com: Book是经典百科全书。
还可跳过细节看David Marr的 Vision: A Computational Investigation into the Human Representation and Processing of Visual Information
5、Statistical learning：哪怕deep learning再火，它也不可能解决所有问题，统计知识是必备的。所以统计学习的那一套基础知识 推荐教材： The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Second Edition 和 Machine Learning: A Probabilistic Perspective (Adaptive Computation and Machine Learning series)
Pattern Recognition and Machine Learning (Information Science and Statistics): Christopher Bishop
6、Optimization：绝大部分统计学习问题都会转化成优化问题，区别在于有的是严格的分析转化如SVM，有的只是走个优化的套路但真正理论基础还没有得到完善比如deep learning。 推荐教材：可以尝试 Convex Optimization : Stephen Boyd, Lieven Vandenberghe 。
