Answers:
要在AI方面表现出色，您需要数学上的直觉或观点。为了成为一名全栈AI工程师，对机器学习的数学基础有深刻的了解非常重要。
我对准备进入该领域的任何人的建议是，学习数学就是在做。记住20/80规则。您需要20％的时间学习理论，并在80％的时间练习所学知识，以便精通。
在学习本科数学之前的第一步是让您重新学习基础水平的数学。这包括复习和掌握高中数学，尤其是代数。这是您理解高级课程所必需的。
矩阵运算，投影，特征值和特征向量，主成分分析（PCA），奇异值分解（SVD），矩阵的特征分解，LU分解，QR分解/分解，对称矩阵，正交化和正交化，向量空间和范数是需要了解用于机器学习的优化方法。
关于线性代数的一件好事是，这里有许多很棒的在线资源，例如可汗学院的线性代数课程https://www.khanacademy.org/math/linear-algebra。
概率规则和公理，条件和联合分布，标准分布（伯努利，二项式，多项式，一致和高斯），矩生成函数，贝叶斯定理，随机变量，方差和期望，最大似然估计（MLE），先验和后验，最大后验估计（MAP）和采样方法。
我向您推荐可汗学院（Khan Academy）的在线统计和概率MOOC，网址为https://www.khanacademy.org/math/probability
需要了解数据结构（二叉树，散列，堆，堆栈等），动态编程，随机和亚线性算法，图，梯度/随机下降和Primal-Dual方法的知识。
对于深入的学费，我建议您在https://www.coursera.org/learn/machine-learning上注册Andrew Ng的Coursera课程。
微分和积分学，方向梯度，Hessian，Jacobian，Laplacian和Lagragian分布，偏导数，向量值函数等主题。这是可汗学院微积分课程的一小部分，网址为https://www.khanacademy.org/math/calculus-home。
这包括以上四个主要领域未涵盖的数学主题。它们包括信息理论（熵，信息增益），函数空间和流形，实数和复数分析（集合和序列，拓扑，度量空间，单值和连续函数，极限，柯西内核，傅立叶变换）。
以下是免费的机器学习数学电子书的绝佳资源， 网址为http://blog.paralleldots.com/data-science/list-of-free-must-read-books-for-machine-learning/
最后，为了跟上最新的发展和最新的论文，我建议您关注这个博客，该博客汇总了AI和ML的论文，网址为http://www.arxiv-sanity.com/。
首先是Andrew Ng在Coursera上的机器学习课程的介绍。该课程的前提条件并不多，但是您将学习如何做一些有用的事情。而且，更重要的是，它将清楚地告诉您接下来需要学习哪些主题。
我建议你
如果您想深入数学。试试这些：
我还想推荐一本关于深度学习的最佳书籍：Ian Goodfellow和Yoshua Bengio和Aaron Courville的深度学习。http://www.deeplearningbook.org/
您需要的最重要技能是自律。
关于数学先决条件，您将需要研究统计学，概率论，微积分和线性代数，因为例如大多数机器学习算法都高度基于这些领域的概念。
关于编程的先决条件，考虑到可用的相关库，Python和R通常是一个不错的选择。
如果您想使用大数据，则可能还需要学习Hadoop之类的框架。
人工智能是一个非常广阔的领域，因此情况将相应发生变化。
一些先决条件：（作为CS的学生，您应该已经满足它们）
Stuart J. Russell和Peter Norvig撰写的《人工智能：现代方法》一书被认为是AI的圣经。我强烈建议您阅读完整的书并解决练习。您可以在此处找到该书的pdf文件。有关解决方案手册，请访问此链接。如果您可以购买这本书的印刷版，那就更好了。
计算理论知识将极大地帮助您。尤其是当您在自然语言处理领域工作时。您可能会感兴趣的AI的其他子领域是机器学习，进化计算，遗传算法，强化学习，深度学习等。
更好地掌握统计知识，对人工智能会更好。请通过论坛，网站等随时关注该领域的最新动态。开放式AI网站也是一个很好的来源。
作为其他答案的补充：
我建议您从哥伦比亚在edx上提供的AI微型计算机课程中学习人工智能课程。
该课程涵盖了广泛的AI问题，最重要的是，它为您提供了一个综合的框架来考虑python上的各种应用程序。根据Peter Norvig和Stuart Russell 撰写的《人工智能：现代方法》一书
从机器学习的角度来看，也就是gokul，这是Andrew Ng 的机器学习课程。Coursera课程是一门很好的入门课程，非常适合潜在的从业者。
我发现将某些机器学习算法的研究与统计编程语言R结合起来进行实验，以尝试许多算法来理解这些概念非常有用。有用以下书籍：统计学习的要素，并介绍统计学习，两者都可以免费在网站的作者。
跳入神经网络并不复杂。
神经网络被除名1：分类问题帮助我入门。
OP询问的是AI，而不是机器学习。机器学习是AI的子学科。游戏和动作计划中使用的大多数AI都不涉及机器学习。
您需要“跳入AI领域”的背景：
如果您已经有这些要求，建议您查看不同类型的AI，以了解对您而言最有趣的事情。通常，进入AI只是意味着学习算法的工作原理。例如，用于面部识别的算法（机器学习问题）与协调一组机器人（组合优化问题）有很大不同。
您可以从YouTube上的视频开始。很简单，只要具备Python的基本知识，您就可以使用ML做很多事情。
我也发现，Cloud AI Adventures的新视频解释了“机器学习的7个步骤”，您可以在这里观看。
关于数学，当我开始学习机器学习/人工智能时，我问了同样的问题。我不擅长数学，只是基础知识（也是开发人员）。但是如今，借助TensorFlow和其他库，您可以专注于理论和定义。因此，不用担心，随着时间的流逝，将使用一些按钮和标签来构建AI模型……也许正在发生。
因为他们建议了很好的资源，并且有很多资源，但是我将建议您从什么是人工智能（AI）最佳书开始？， 机器学习 和人工智能导论-机器学习
这段视频总结了您需要的数学知识，以及机器学习的数学知识。该链接介绍了AI数学：您需要的所有基本数学主题
之后，您可以看到这些链接，这些是我的最爱