猿题库，这个软件能够搜到各个科目的题目答案，这个软件还有一个好处就是拍照就能识别题目，不用手打各种各样的公式什么的，快捷方便而且题库多。这个软件适合中小学生，上大学以后就没用过了。超级课程表，可以直接登录学校官网导出课程表，把课程表放在桌面可以直接查看课表。还可以关于学习的各种查询，例如四六级成绩、期末成绩、空教室查询等等，里面也有社交的功能，可以说功能很强大。网易有道词典，这个软件偶从高中用到现在，主要是可以查询单词，能够进行中英互译和其他语种的互译。其他的功能偶都没怎么用偶就不做介绍了。可可英语，这个是偶大学老师介绍给大家用的，里面的内容很强大，适合各个层次的英语学习者的要求，偶经常用来学习英语四六级。想要学习英语的人偶强力推荐这个软件。WPS，这个软件是用来打开各种格式文件的，在大学经常用来看Word文档、Excel表格、PPT演示等，备考是会利用空暇时间看一下老师发的课件PPT，可以说WPS是一个大学生必备的软件。出来实习也经常会用到，工作上也经常用到，可以说是很实用的软件。手机百度和百度网盘，这两个软件百度是用来查一些知识点什么的，网盘是用来装资料的，例如一些学习资料啦，教学视频啦，各种文件啦。手机网盘有很大的空间，偶的是2个T，有时候U盘忘记带了或者不想带U盘了，这时候网盘就发挥出很大的作用了。最后一个偶要说的就是网易蜗牛阅读，这个是一个阅读软件，每天有一个小时的免费阅读时常，如果你觉得不够时长的话可以购买，但是偶认为一天一个小时够了。里面有上海译文、中信出版社等大型出版社的出版书，里面各种各类的书籍都可以找到，所以这是一个很不错的阅读软件。
好了，介绍就做到这里了，希望偶的介绍对你们能有用，祝你们学业进步！！！
人工智能的基础书籍有什么推荐？
早期，人类必须通过如轮子、火之类的工具和武器与自然做斗争。15世纪，古腾堡发明的印刷机使人们的生活发生了广泛的变化。19世纪，工业革命利用自然资源发展电力，这促进了制造、交通和通信的发展。20世纪，人类通过对天空以及太空的探索，通过计算机的发明及其微型化，进而成为个人计算机、互联网、万维网和智能手机，持续不断地向前进。过去的60年已经见证了一个世界的诞生，这个世界出现了海量的数据、事实和信息，这些数据、事实和信息必须转换为知识（其中一个实例是包含在人类基因编码中的数据，如图1.0所示）。本章介绍了人工智能学科的概念性框架，并阐述了其成功应用的领域和方法、近期的历史和未来的前景。
图1.0 包含在人类基因编码中的数据
1.0 引言
对人工智能的理解因人而异。一些人认为人工智能是通过非生物系统实现的任何智能形式的同义词；他们坚持认为，智能行为的实现方式与人类智能实现的机制是否相同是无关紧要的。而另一些人则认为，人工智能系统必须能够模仿人类智能。没有人会就是否要研究人工智能或实现人工智能系统进行争论，大家应首先理解人类如何获得智能行为（即大家必须从智力、科学、心理和技术意义上理解被视为智能的活动），这对大家才是大有裨益的。例如，如果大家想要开发一个能够像人类一样行走的机器人，那么首先必须从各个角度了解行走的过程，但是不能通过不断地声明和遵循一套规定的正式规则来完成运动。事实上，人们越要求人类专家解释他们如何在学科或事业中获得了如此表现，这些人类专家就越可能失败。例如，当人们要求某些战斗机飞行员解释他们的飞行能力时，他们的表现实际上会变差 [1]。专家的表现并不来自于不断的、有意识的分析，而是来自于大脑的潜意识层面。你能想象高峰时段在高速公路上开车并有意识地权衡控制车辆的每个决策吗？
想象一下力学教授和独轮脚踏车手的故事[2]。当力学教授试图骑独轮车时，如果人们要求教授引用力学原理，并将他成功地骑在独轮车上这个能力归功于他知道这些原理，那么他注定要失败。同样，如果独轮脚踏车手试图学习这些力学知识，并在他展现车技时应用这些知识，那么他也注定是失败的，也许还会发生悲剧性的事故。关键点是，许多学科的技能和专业知识是在人类的潜意识中发展和存储的，而不是通过明确请求记忆或使用基本原理来学会这些技能的。
1.0.1 人工智能的定义
在日常用语中，“人工”一词的意思是合成的（即人造的），这通常具有负面含义，即“人造物体的品质不如自然物体”。但是，人造物体通常优于真实或自然物体。例如，人造花是用丝和线制成的类似芽或花的物体，它不需要以阳光或水分作为养料，却可以为家庭或公司提供实用的装饰功能。虽然人造花给人的感觉以及香味可能不如自然的花朵，但它看起来和真实的花朵如出一辙。
另一个例子是由蜡烛、煤油灯或电灯泡产生的人造光。显然，只有当太阳出现在天空时，大家才可以获得阳光，但大家随时都可以获得人造光，从这一点来讲，人造光是优于自然光的。
最后，思考一下，人工交通装置（如汽车、火车、飞机和自行车）与跑步、步行和其他自然形式的交通（如骑马）相比，在速度和耐久性方面有很多优势。但是，人工形式的交通也有一些显著的缺点——地球上无处不在的高速公路，充满了汽车尾气的大气环境，人们内心的宁静（以及睡眠）常常被飞机的喧嚣打断[3]。
如同人造光、人造花和交通一样，人工智能不是自然的，而是人造的。要确定人工智能的优点和缺点，你必须首先理解和定义智能。
人工智能书单推荐：１、动手学深度学习
作者：阿斯顿·张（Aston Zhang） 李沐（Mu Li）[美] 扎卡里·C. 立顿（Zachary C. Lipton）[德] 亚历山大·J. 斯莫拉（Alexander J. Smola）
人工智能机器学习、深度学习领域重磅教程图书美亚科学家作品手学深度学习的全新模式，原理与实战紧密结合
目前市面上有关深度学习介绍的书籍大多可分两类，一类侧重方法介绍，另一类侧重实践和深度学习工具的介绍。本书同时覆盖方法和实践。本书不仅从数学的角度阐述深度学习的技术与应用，还包含可运行的代码，为读者展示如何在实际中解决问题。为了给读者提供一种交互式的学习体验，本书不但提供免费的教学视频和讨论区，而且提供可运行的Jupyter记事本文件，充分利用Jupyter记事本能将文字、代码、公式和图像统一起来的优势。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验，从而带给读者全新的、交互式的深度学习的学习体验。
２、深度学习
作者：【美】Ian Goodfellow（伊恩·古德费洛）, 【加】Yoshua Bengio（约书亚·本吉奥）, 【加】Aaron Courville（亚伦·库维尔）译者：赵申剑, 黎彧君, 李凯, 符天凡
AI圣经，deeplearning中文版，图灵奖获奖者作品，业内人称“花书”人工智能机器学习深度学习领域奠基性经典畅销书长期位居美国ya马逊AI和机器学习类图书榜首！所有数据科学家和机器学习从业者的bi读图书！特斯拉CEO埃隆·马斯克等国内外众多专家推jian！
本书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，本书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型。
３、人工智能（第2版）
[美] 史蒂芬·卢奇（Stephen Lucci），丹尼·科佩克（Danny Kopec） 著
人工智能百科全书易于上手的人工智能自学指南涵盖机器学习 深度学习 自然语言处理 神经网络 计算机博弈等各种知识图文详细 讲解细致 配备丰富的教学资源和学习素材美国经典教材，在美亚上，被评价为自Russell & Norvig的《人工智能：一种现代方法》之后更好的教材，更加适合本科生使用。
本书是作者结合多年教学经验、精心撰写的一本人工智能教科书，堪称“人工智能的百科全书”。全书涵盖了人工智能简史、搜索方法、知情搜索、博弈中的搜索、人工智能中的逻辑、知识表示、产生式系统、专家系统、机器学习和神经网络、遗传算法、自然语言处理、自动规划、机器人技术、高级计算机博弈、人工智能的历史和未来等主题。本书提供了丰富的教学配套资源，适合作为高等院校人工智能相关专业的教材，也适合对人工智能相关领域感兴趣的读者阅读和参考。
４、Python 神经网络编程人工智能深度学习 机器学习领域又一重磅力作自己动手用Python编写神经网络美亚排名前茅荣获众多好评 全彩印刷 图表丰富
本书将带领您进行一场妙趣横生却又有条不紊的旅行——从一个非常简单的想法开始，逐步理解神经网络的工作机制。您无需任何超出中学范围的数学知识，并且本书还给出易于理解的微积分简介。本书的目标是让尽可能多的普通读者理解神经网络。读者将学习使用Python开发自己的神经网络，训练它识别手写数字，甚至可以与专业的神经网络相媲美。
５、PyTorch深度学习
作者：[印度]毗湿奴•布拉马尼亚(Vishnu Subramanian)译者：王海玲, 刘江峰
使用PyTorch开发神经网络的实用指南深度学习框架PyTorch入门教程涵盖机器学习、神经网络、计算机视觉应用等知识，提供本书彩图和源代码下载
本书对当今前沿的深度学习库PyTorch进行了讲解。凭借其易学习性、高效性以及与Python开发的天然亲近性，PyTorch获得了深度学习研究人员以及数据科学家们的关注。本书从PyTorch的安装讲起，然后介绍了为现代深度学习提供驱动力的多个基础模块，还介绍了使用CNN、RNN、LSTM以及其他网络模型解决问题的方法。本书对多个先进的深度学习架构的概念（比如ResNet、DenseNet、Inception和Seq2Seq）进行了阐述，但没有深挖其背后的数学细节。与GPU计算相关的知识、使用PyTorch训练模型的方法，以及用来生成文本和图像的复杂神经网络（如生成网络），也在本书中有所涵盖。
６、机器学习精讲 全彩印刷机器学习原理算法与应用教程，精简机器学习入门手册美亚机器学习深度学习畅销书，全彩印刷扫描书中二维码可阅读补充内容，人工智能和机器学习领域众多知名专家推荐
《机器学习精讲》包含了监督和非监督学习、支持向量机、神经网络、集成算法、梯度下降、聚类分类、降维、自编码器、迁移学习、特征工程以及超参数调试等方面的知识。书中既有数学公式，又有图解说明，一应俱全。 本书具有以下特色: ● 精简并直入主题——篇幅短小，读者可以快速读完并掌握机器学习技术的精髓。书中内容是作者和其他从业者多年研究的成果。 ● 配套网页——本书配有持续更新的网页，对书中内容进行补充，包括问答、代码、推荐阅读材料、工具以及其他相关内容。扫描书中二维码即可查看。 ● 全彩印刷——色彩丰富，阅读轻松。 ● 代码基于Python语言。
７、贝叶斯方法 概率编程与贝叶斯推断
[加] Cameron Davidson-Pilon（卡梅隆·戴维森-皮隆） 著，辛愿，钟黎，欧阳婷 译
机器学习 人工智能 数据分析从业者的技能基础国际杰出机器学习专家余凯博士 腾讯专家研究员岳亚丁博士推荐下一个十年，掌握贝叶斯方——就像今天掌握C、C++、Python一样重要
本书基于PyMC语言以及一系列常用的Python数据分析框架，如NumPy、SciPy和Matplotlib，通过概率编程的方式，讲解了贝叶斯推断的原理和实现方法。该方法常常可以在避免引入大量数学分析的前提下，有效地解决问题。书中使用的案例往往是工作中遇到的实际问题，有趣并且实用。作者的阐述也尽量避免冗长的数学分析，而让读者可以动手解决一个个的具体问题。通过对本书的学习，读者可以对贝叶斯思维、概率编程有较为深入的了解，为将来从事机器学习、数据分析相关的工作打下基础。本书适用于机器学习、贝叶斯推断、概率编程等相关领域的从业者和爱好者，也适合普通开发人员了解贝叶斯统计而使用。
８、人工智能算法 卷1 基础算法AI算法入门教程书籍，人人都能读懂的人工智能书全彩印刷，实例讲解易于理解的人工智能基础算法多种语言版本示例代码、丰富的在线资源，方便动手实战与拓展学习
本书介绍了人工智能的基础算法，全书共10 章，涉及维度法、距离度量算法、K 均值聚类算法、误差计算、爬山算法、模拟退火算法、Nelder-Mead 算法和线性回归算法等。书中所有算法均配以具体的数值计算来进行讲解，读者可以自行尝试。每章都配有程序示例，GitHub 上有多种语言版本的示例代码可供下载。本书适合作为人工智能入门读者以及对人工智能算法感兴趣的读者阅读参考。
９、Python自然语言处理
《Python自然语言处理》是自然语言处理领域的一本实用入门指南，旨在帮助读者学习如何编写程序来分析书面语言。《Python自然语言处理》基于Python编程语言以及一个名为NLTK的自然语言工具包的开源库，但并不要求读者有Python编程的经验。全书共11章，按照难易程度顺序编排。第1章到第3章介绍了语言处理的基础，讲述如何使用小的Python程序分析感兴趣的文本信息。第4章讨论结构化程序设计，以巩固前面几章中介绍的编程要点。第5章到第7章介绍语言处理的基本原理，包括标注、分类和信息提取等。第8章到第10章介绍了句子解析、句法结构识别和句意表达方法。第11章介绍了如何有效管理语言数据。后记部分简要讨论了NLP领域的过去和未来。
《Python自然语言处理》的实践性很强，包括上百个实际可用的例子和分级练习。《Python自然语言处理》可供读者用于自学，也可以作为自然语言处理或计算语言学课程的教科书，还可以作为人工智能、文本挖掘、语料库语言学等课程的补充读物。
想学习关于人工智能的技术？
如果一点基础都没有的，建议还是应该有系统性的学习，有逻辑性的一块一块有层级的学。比如应该先打基础，要把高等数学基础知识学透，基础的线性代数、数据分析矩阵等等。
然后开始学习Python，这也是人工智能必备知识。Python的特点是能够把用其他各种语言制作的模块（特别是C/C++）轻松地联结在一起。
第三步就是人工智能的重点学习了。如果原来就是程序员，可以以这步为第一步开始学习。这一步包括：机器学习算法，机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
然后还有对机器学习的进一步探究，人工智能深度学习，以及推荐算法和数据挖掘，分布式搜索引擎等等。当然，学习必须配合实际项目应用的操作，否则很难适应新项目
1、学习 OpenCV
2、人工智能：一种现代的方法
3、智能 Web 算法
4、语音与语言处理
5、模式识别与机器学习
6、游戏人工智能编程案例精粹
7、统计自然语言处理基础
8、模式分类
9、模式识别中的神经网络
10、计算机视觉
11、工智能游戏编程真言
12、Python 自然语言处理
