人工智能主要是学什么的？
要了解人工智能学什么内容，需要首先了解人工智能是什么：1、人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。
人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。2、人工智能是一门极富挑战性的科学，从事这项工作的人必须懂得计算机知识，心理学和哲学。人工智能是包括十分广泛的科学，它由不同的领域组成，如机器学习，计算机视觉等等，总的说来，人工智能研究的一个主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。
那么，人工智能学什么内容呢？目前人工智能专业的学习内容主要包括： 机器学习、人工智能导论（搜索法等）、图像识别、生物演化论、自然语言处理、语义网、博弈论等。需要的基础课程主要有，信号处理，线性代数，微积分，还有编程（有数据结构基础）。从专业的角度来说，机器学习、图像识别、自然语言处理，这其中任何一个都是一个大的方向，只要精通其中一个方向，就已经很厉害了。
目标检测中，如何处理目标的大小变化？
首先，一个有理想的人必须得确立一个长远的目标，因为目标是你的明灯，是你的动力，是你理想的化身。然后竭尽全力去实现！可行的目标是可以细化到可执行的每一个小目标！如何处理目标的大小，可以参考以下几条：1、确立一个长远的目标；2、分析目标的可行性与可发现性；可从当下国情与相关的趋势去分析；3、然后把你确立的目标细化，细化到每一个可执行的小目标，切忌急于求成，好高骛远。
近年来，有没有基于深度学习的人脸检测的开源代码？
谢谢邀请，人脸检测是近年来人工智能领域发展比较快并且落地效果比较好的领域。 传统开源的方法有比如基于HOG图像特征的方法，face_recognition是很有名的一个，github链接https://github.com/ageitgey/face_recognition 。有11k star 检测人脸只需要face_recognition.face_locations一个函数。
基于深度学习的方法也有很多，包括1. MTCNN，一个级联CNN进行人脸检测的方法，具体相关代码可以在facenet人脸检测代码中找到，人脸检测和对齐模块使用的就是MTCNN2. Single Shot Scale-invariant Face Detector: 一个基于SSD并且针对人脸进行优化的方法，可以找到pytorch版本的开源代码inference部分，链接是https://github.com/clcarwin/SFD_pytorch。
计算机视觉（AI）的算法有哪些，具体都有哪些特点？
计算机视觉领域一般不同的应用有着不同的算法实现，我主要研究的就是计算机视觉方面的应用，主要是在图像预处理、分类、目标检测等方面。1. 图像分类。图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。机器学习方面的算法有SVM、Adaboost、决策树以及贝叶斯分类器等；深度学习方面经典的算法有AlexNet、VGG、GoogleNet、ResNet等网络。
2. 目标检测。目标检测就是在复杂场景中检测出我们需要的目标，又用传统机器学习算法实现的，也有用深度学习进行目标检测的。传统机器学习算法比如利用Adaboost进行人脸检测、SVM算法实现行人检测等；深度学习方面目标检测算法，既有基于区域建议的R-CNN、Fast R-CNN、Faster R-CNN等两个阶段的目标检测算法，也有Yolo、SSD等端到端的目标检测算法。
3. 目标跟踪。目标跟踪，是指在特定场景跟踪某一个或多个特定感兴趣对象的过程。我之前做过目标跟踪的实验，利用的是传统的图像处理算法，比如光流法、粒子滤波法、卡尔曼滤波法以及KCF相关滤波算法等。深度学习算法中有DLT、FCNT、MD Net等网络，深度学习目标跟踪算法接触的少，不是很了解。4. 语义分割。
语义分割是计算机视觉中的基本任务，在语义分割中我们需要将视觉输入分为不同的语义可解释类别，「语义的可解释性」即分类类别在真实世界中是有意义的，将整个图像分成一个个像素组，然后对其进行标记和分类。传统的图像分割算法有基于阈值的分割算法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等；现在深度学习算法在语义分割上效果更好，比如现在最常用的全卷机神经网络算法（FCN）。
还有好多应用，比如人脸检测识别，有Adaboost算法、MTCNN网络以及FaceNet网络等；文字识别，智能驾驶，医学图像处理等等，分别有不同的算法实现。计算机视觉编程语言的话需要根据算法以及平台来选择。传统图像处理大都用的是opencv和matlab平台，分别用C 语言和matlab语言；深度学习框架大都是基于Python的API实现的，可以用python语言实现，比如Tensorflow、Caffe、keras以及MxNet等平台，当然Caffe还可以用C 实现。
如何看待幻尔科技新发布的智能视觉机械臂JetMax？
最近，“机械臂”在科技圈是彻底火了！起因是华为天才少年“稚晖君”在家制作了一款能穿葡萄的机械臂，确实很让人吃惊，也很让人佩服！无独有偶！幻尔科技最近也发布了一款全新的智能视觉机械臂JetMax在业内同样掀起一股机械臂风潮，很多业内人士在看完宣传视频后，也表示对JetMax感到震撼！某科技栏目大咖评论道：它的AI视觉算法，运动学算法，深度学习方面处理得都很完美，以至于在玩法上种类更多，而且更新颖，像垃圾分类、写字画画、体感控制，口罩识别等，功能都非常实用，科技感十足，目前在国内很少能见到这样优秀的机械臂。
幻尔科技的AI智能视觉机械臂JetMax就在今年7月份（划重点，比稚晖君的机械臂早两个月）作为国内领先的教育机器人公司幻尔科技在美国最大的众筹网站Kickstarter上公开了一项全新的众筹项目众筹的主角正是上图所展示的智能视觉机械臂JetMax众筹项目一经发布不到24小时便完成了众筹目标最终以686%的完成度完美收官！同时，还受到很多海外知名媒体和粉丝大咖的大量好评。
那么，这台机械臂有哪些神秘的黑科技？它能带来哪些机械臂开发启示？JetMax搭载的是35kg智能高压总线舵机，它拥有第一视觉，支持俯视视角和平视视角，可以安装不同的末端工具，如机械爪、电磁吸盘、笔架画笔等，它采用ROS机器人操作系统，跨平台互联操控，可以利用上位机、手机APP、无线手柄、鼠标、语言交互等控制方式操控机械臂。
下面是JetMax的功能亮点详细介绍：一、深度学习，模型训练JetMax使用英伟达Jetson Nano主板，这款主板特点是高性能、低功率、能同时运行多个复杂的神经网络，同时处理多个高分辨率的传感器，可以带来强大人工智能的力量！JetMax运用GoogLeNet、Yolo、mtcnn等神经网络，通过机载FPV摄像头获取环境信息，结合深度学习，对目标物品进行模型训练，从而完成像垃圾分类、目标排序、单词拼写、简易算数等复杂的人工智能项目。
垃圾分拣口罩识别二、AI视觉识别，目标追踪JetMax以OpenCV为图像处理库，可以利用第一视觉，识别并定位不同颜色的色块，从而实现色块分拣、智能码垛、目标追踪等人工智能项目。色块分拣目标追踪三、人体特征识别，AI体感交互JetMax可以识别出不同手势，从而进行有趣的手势互动。手势识别通过对手势的识别和位置判断，我们对JetMax进行体感控制，从而完成隔空抓物的创意项目。
体感控制 隔空抓物JetMax可以进行人脸表情识别，我们能根据不同的表情做出有趣的交互玩法。表情识别四、逆运动学算法，支持路径规划JetMax内置运动学算法，通过输入目标的坐标，来计算出各个关节的理论运动角度，结合总线舵机控制协议，从而对舵机进行精准控制。利用逆运动学算法，我们不仅可以精准实现目标搬运、追踪，还能对机械臂进行路径规划，完成书写数字、画简笔画等高级任务。
路径规划画简笔画五、支持多种电子模块拓展JetMax也可以兼容语音识别、语音合成、风扇模块、点阵屏、超声波传感器等多种电子模块，创造更多天马行空的AI创意项目。追踪人脸的小风扇智慧停车场结合点阵模块和电磁吸盘，我们可以做一个金属小扳手外观质检的小流水线项目。工业4.0小产线也可以变身成灵活的拾球员，感觉顿时“解放劳动力”，就是这么轻松！灵活的拾球员当然，这款机械臂是开源的，提供丰富的学习课程，并支持二次开发，你可以通过它丰富的扩展接口，来进一步对它进行改造，打造出独一无二的机械臂！。
本科自动化，以后想往人工智能方面发展，学什么编程语言呢？
自动化什么编程都可以，最好是基础知识过硬，最好是学过基础编程器(机器码)，这关过不了所有编程软件无法下手容易放弃心态不稳定，毕竟计算机基本常识是0101，学会机器码，可以自己制作些简单的公式编程软件，提高效率问题，可以以自己的喜好方式去编写，后面那些中高级编程软件就可以当做工具使用。高级编程就好比你是用机器码自己写的公式而已，掌握所有计算公式就可以，将来会有更高级的编程器，语音编程，图形转3D立体编程器，机器码看简单而且思维上清晰，简单复杂的的串口控制都可以轻松搞定，剩下的是物理知识，多看世界顶级元器件制造工艺还有参数。
机器码是万能编程器，高级编程软件都是十进制16进制等对应转化机器码，后面由公式，英文字母中文等代表16进制在转换二进制，只不过是更快的效率编程，高级编程也高级管理员，批量书写，不需要再一个0101的写一大堆，就好比我们徒手捉鱼，我把网制造出来我就可以一次捕捉多条鱼，效率提升而已。列如PLC专业于马达和串口控制，所以一般计算方式都是波形，对于电流电压控制相对来说比较严格，所以他们编写PLC时候实用图标代表机器码，只是为了识别和快速计算，实现简单化易操作，写之前离不开机器码。
单片机和PLC几乎相同，PLC也是由单片机制造出来的，制造好了就命名为PLC等等名称而已，所以在行业学习单片机比较万能，单片机就是张白纸，创造得靠人，所以自动化必选课程单片机后PLC。无论任何东西它核心永远不变，都是为效率而生产出来的工具，万能编程器机器码无孔不入，无论多高级核心下来离不开机器码，算法就是公式计算，主要把大量数据存放不同地址空间进行管理，高级语言制作图形，分割内存，这些不可能用机器码写，用机器码写得写多久啊，所以机器现在流行用于维修系统。
学完机器码，你觉得那些编程器不符合你思维模式，可以自己制造或修改初级，中级，高级编程器，可以以自己爱好方式写公式，到时候你去到其它公司，搞不好可以当专利卖，申请专利，我的公式比那些好，是吧简单易懂高效率，所以去不同的公司就要明白每个公司的不同就是在这里，你心里不要多想，都是换汤不换药，因为公司里面的不同入职前多问问老油条，记录下公式，然后下班或休息时间可以把公式解密一下，到底为何用这公式，上班时也可以问老油条，有时候老油条都不知道干嘛用，有可能是这公司的老板写的，只有老板知道，他们都是帮老板打工一件事就完成任务，所以没有多少人去解密这公式的作用，如果你发现这公式有缺陷，再把它修改了，老板看见了会给加两倍工资，直接连升职位，因为效率的提升，加快了生产速度还可以拿到一点分红，如果你完全能把所有公式提升起来，那么总经理位置估计老板会交给你，然后老板砸钱让你去读经济学，去国际顶级机器人大赛现场做参观者，欣赏下顶级高手的智慧。
最后一个知识，就是物理知识反应条件，空间，环境等等都可以影响电波，还有爆炸推力机械化，摩擦力它在空间中产生的波动与声纳这些在搞研发时候经常要捕捉的波动，要进入研发行业必须是全能的，能不能做总工程师总设计师都要走这一步，所有元件知识都是从这些实验得出来的，然后转波形用计算机编程，学会这些不管机械化，电子化，航天都没有问题，最大问题当然是粒子提纯，这个是工艺问题，一条设备都是几十亿的算所以这些不是一般企业能做得了的，只有国家才行。
如果你想入国防科技必然要走这一步，物理反应与衰变控制它们利用它们当我们的工具，当我们的能源。后面这些都是未知科技谁先发现谁就是下一个爱迪生，爱因斯坦，牛顿等等。讲那么多，其实就是告诉你，核心不变，它永远是电，我是用电。除非将来不用电，所有知识都报废，但有可能吗？有可能那就是光，但光无法捕捉利用，它跑得太快，捉不住不可以和制造芯片一样一个个搭配起来，光在玻璃里面逃逸更快，要是真的能把光用起来那真的大改变了，随便一捞都是光，一大堆，又节能，又不污染环境，又实用，现在只是利用光当通讯和探测切割，不是捕捉到进行一粒一粒的和硅一样能做芯片，所以不一样。
mtcnn和yolov3和ssd等目标检测算法各有什么特点或优势？
MTCNN算法是多任务级联卷积神经网络，用于人脸检测和人脸对齐，它是一种级联结构，类似Adaboost算法，主要包括三个子网络：一个是P-Net网络，主要获得人脸区域的候选窗口和边界框的回归向量，并用该回归向量对候选窗口进行校准，然后通过非极大值抑制来合并高度重叠的候选框；第二个子网络是R-Net网络，也是只做检测和边界框回归两个任务；最后一个子网络是O-Net网络，对前面的候选框做进一步的筛选，回归边界框，同时在每个边界框上计算特征点的位置。
而且，MTCNN一种多尺度网络结构，在输入图像数据前，先构建图像金字塔，获得不同尺度的图像再送入P-Net网络。SSD算法是one-stage、端到端的目标检测算法，主要思路是在图片的不同位置进行密集采样，采用不同的尺度比和长宽比，利用卷积神经网络结构提取特征进行分类和回归，其优势是速度快。SSD提取不同尺度的特征图来做检测，前面的大尺度特征图用于检测小目标，后面的小尺度特征图用于检测大目标，采用VGG16作为基础模型。
yolo目标检测算法的基本思想是利用CNN对输入图像提取特征，将输入图像划分成S×S个单元格，如果某个物体的中心位置落入其中一个单元格，那么由该单元格负责检测这个目标。YOLO V3在之前yolo结构的基础上，采用多个尺度融合的方式做预测，加强对小目标检测的精确度。基础分类网络类似ResNet残差网络，分类任务用Logistic取代了softmax，并利用9种尺度的先验框，可以很好的检测大目标和小目标。
MTCNN是专门用于检测人脸的目标检测算法，而yolo和SSD算法是通用的目标检测算法。通用的目标检测算法还有另一种类型，就是two stage的网络模型，先利用一些算法产生候选区域，然后再对候选区域进行分类和回归，这类典型的算法有R-CNN算法、Fast R-CNN算法以及Faster R-CNN算法、FPN算法等。
人工智能计算机视觉领域里，所涉及到的数学基础与常用算法分别有哪些？
无论是研究Vision, Learning还是其它别的学科，数学终究是根基所在。学好数学是做好研究的基石。所涉及到的数学基本上有如下几种：1. 线性代数 (Linear Algebra)：2. 概率和统计 (Probability and Statistics): 3. 分析 (Analysis)：4. 拓扑 (Topology)：5. 流形理论 (Manifold theory)：。
