人工智能、大数据这些新兴"专业"，是随着工业界与日俱增的需求而随之出现的(中国最近批准了第一批试点的几十所高校开设人工智能专业)。其实任何专业都是这样一个需求导向的过程，包括微电子，计算机，还有什么房地产专业，几十年前可能根本不存在这些专业。
但是自然科学如数学、物理、化学、生物长盛不衰，是有其道理的，这也是为什么我们初高中我们都在学这些东西。
反之，某些专业，一定会随着市场需求的锐减而减少甚至消失。
这些专业名词在刚出现的时候往往是“凭空造诣”或者是强加术语，然而知识是需要积累的，每个新兴专业都是建立在一些基础科学的基础上，这也是我下面的回答要强调的--学习人工智能非一朝一夕，而是要从最基本的数学基础开始打好地基。
1.数学基础
微积分(求导，极限)和线性代数(矩阵表示和运算)是基础中的基矗
2.编程技能
人工智能任何模型和算法的实现，当然需要编程了，因此C/C++/Python任选一门(推荐Python，因为目前很多库和Lipary都是用python封装)。
数据结构：建议学学，让你编程更顺手更高效。
算法：建议上，任何人工智能任何产品的Code都是无数算法的集合体。
数据库：存储数据，人工智能通常需要用到海量数据，因此如何更高效的存储和管理以及调用数据，就显得尤为重要。SQL等数据库，以及Hardoop，Spark等并行计算的框架，是最近的热点，推荐学习。
3.数学(统计、优化、机器学习)模型和深度学习
概率论+统计：很多传统机器学习模型基于统计模型。
线性规划+凸优化：或者只学一门叫numerical optimization，统计和人工智能，到最后几乎都会归结为求解一个优化问题，当然也有纯优化模型不用统计模型的。
机器学习:其实传统机器学习，通篇都是在讲用一些统计和优化来做聚类、分类和预测这三个人工智能最常见的应用。
深度学习：卷积神经网络的复兴掀起了深度学习席卷全球的号角，毫无疑问，它是目前人工智能的核心，必学!
学到这里，你基本就会发现，学这一门课中间会穿插着很多其他课的内容。知识总是相通的嘛，特别是这些跨专业的新兴学科，都是在以往学科的基础上由社会需求发展而来。
