演算法是科研嗎

⑴ 1 人工智慧的研究領域具體包含哪些是機器人和演算法嗎還有沒有其他

人工智慧(Artificial Intelligence) ，英文縮寫為AI。它是研究、開發用於模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。 人工智慧是計算機科學的一個分支，它企圖了解智能的實質，並生產出一種新的能以人類智能相似的方式做出反應的智能機器，該領域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統等。「人工智慧」一詞最初是在1956 年Dartmouth學會上提出的。從那以後,研究者們發展了眾多理論和原理,人工智慧的概念也隨之擴展。人工智慧是一門極富挑戰性的科學，從事這項工作的人必須懂得計算機知識，心理學和哲學。人工智慧是包括十分廣泛的科學，它由不同的領域組成，如機器學習，計算機視覺等等，總的說來，人工智慧研究的一個主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。但不同的時代、不同的人對這種「復雜工作」的理解是不同的。例如繁重的科學和工程計算本來是要人腦來承擔的，現在計算機不但能完成這種計算, 而且能夠比人腦做得更快、更准確，因之當代人已不再把這種計算看作是「需要人類智能才能完成的復雜任務」, 可見復雜工作的定義是隨著時代的發展和技術的進步而變化的, 人工智慧這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展，一方面又轉向更有意義、更加困難的目標。目前能夠用來研究人工智慧的主要物質手段以及能夠實現人工智慧技術的機器就是計算機, 人工智慧的發展歷史是和計算機科學與技術的發展史聯系在一起的。除了計算機科學以外, 人工智慧還涉及資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。人工智慧學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。
[編輯本段]【人工和智能】
人工智慧的定義可以分為兩部分，即「人工」和「智能」。「人工」比較好理解，爭議性也不大。有時我們會要考慮什麼是人力所能及製造的，或著人自身的智能程度有沒有高到可以創造人工智慧的地步，等等。但總的來說，「人工系統」就是通常意義下的人工系統。
關於什麼是「智能」，就問題多多了。這涉及到其它諸如意識（consciousness）、自我（self）、思維（mind）（包括無意識的思維（unconscious_mind）等等問題。人唯一了解的智能是人本身的智能，這是普遍認同的觀點。但是我們對我們自身智能的理解都非常有限，對構成人的智能的必要元素也了解有限，所以就很難定義什麼是「人工」製造的「智能」了。因此人工智慧的研究往往涉及對人的智能本身的研究。其它關於動物或其它人造系統的智能也普遍被認為是人工智慧相關的研究課題。
人工智慧目前在計算機領域內，得到了愈加廣泛的重視。並在機器人，經濟政治決策，控制系統，模擬系統中得到應用。
[編輯本段]【人工智慧的定義】
著名的美國斯坦福大學人工智慧研究中心尼爾遜教授對人工智慧下了這樣一個定義：「人工智慧是關於知識的學科――怎樣表示知識以及怎樣獲得知識並使用知識的科學。」而另一個美國麻省理工學院的溫斯頓教授認為：「人工智慧就是研究如何使計算機去做過去只有人才能做的智能工作。」這些說法反映了人工智慧學科的基本思想和基本內容。即人工智慧是研究人類智能活動的規律，構造具有一定智能的人工系統，研究如何讓計算機去完成以往需要人的智力才能勝任的工作，也就是研究如何應用計算機的軟硬體來模擬人類某些智能行為的基本理論、方法和技術。
人工智慧（Artificial Intelligence，簡稱AI）是計算機學科的一個分支，二十世紀七十年代以來被稱為世界三大尖端技術之一（空間技術、能源技術、人工智慧）。也被認為是二十一世紀（基因工程、納米科學、人工智慧）三大尖端技術之一。這是因為近三十年來它獲得了迅速的發展，在很多學科領域都獲得了廣泛應用，並取得了豐碩的成果，人工智慧已逐步成為一個獨立的分支，無論在理論和實踐上都已自成一個系統。
人工智慧是研究使計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及到計算機科學、心理學、哲學和語言學等學科。可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。從思維觀點看，人工智慧不僅限於邏輯思維，要考慮形象思維、靈感思維才能促進人工智慧的突破性的發展，數學常被認為是多種學科的基礎科學，數學也進入語言、思維領域，人工智慧學科也必須借用數學工具，數學不僅在標准邏輯、模糊數學等范圍發揮作用，數學進入人工智慧學科，它們將互相促進而更快地發展。
[編輯本段]【實際應用】
機器視覺:指紋識別，人臉識別，視網膜識別，虹膜識別，掌紋識別，專家系統,智能搜索，定理證明，博弈，自動程序設計，還有航天應用等。
[編輯本段]【學科範疇】
人工智慧是一門邊沿學科，屬於自然科學和社會科學的交叉。
[編輯本段]【涉及學科】
哲學和認知科學，數學，神經生理學，心理學，計算機科學，資訊理論，控制論，不定性論，仿生學，
[編輯本段]【研究范疇】
自然語言處理，知識表現，智能搜索，推理，規劃，機器學習，知識獲取，組合調度問題，感知問題，模式識別，邏輯程序設計，軟計算，不精確和不確定的管理，人工生命，神經網路，復雜系統，遺傳演算法
[編輯本段]【應用領域】
智能控制，機器人學，語言和圖像理解，遺傳編程
[編輯本段]【意識和人工智慧的區別】
人工智慧就其本質而言，是對人的思維的信息過程的模擬。
對於人的思維模擬可以從兩條道路進行，一是結構模擬，仿照人腦的結構機制，製造出「類人腦」的機器；二是功能模擬，暫時撇開人腦的內部結構，而從其功能過程進行模擬。現代電子計算機的產生便是對人腦思維功能的模擬，是對人腦思維的信息過程的模擬。
人工智慧不是人的智能，更不會超過人的智能。
「機器思維」同人類思維的本質區別：
1.人工智慧純系無意識的機械的物理的過程，人類智能主要是生理和心理的過程。
2.人工智慧沒有社會性。
3.人工智慧沒有人類的意識所特有的能動的創造能力。
4.兩者總是人腦的思維在前，電腦的功能在後。
[編輯本段]【強人工智慧和弱人工智慧】
人工智慧的一個比較流行的定義，也是該領域較早的定義，是由約翰·麥卡錫（John McCarthy|）在1956年的達特矛斯會議（Dartmouth Conference）上提出的：人工智慧就是要讓機器的行為看起來就象是人所表現出的智能行為一樣。但是這個定義似乎忽略了強人工智慧的可能性（見下）。另一個定義指人工智慧是人造機器所表現出來的智能性。總體來講，目前對人工智慧的定義大多可劃分為四類，即機器「像人一樣思考」、「像人一樣行動」、「理性地思考」和「理性地行動」。這里「行動」應廣義地理解為採取行動，或制定行動的決策，而不是肢體動作。
強人工智慧
強人工智慧觀點認為有可能製造出真正能推理（Reasoning）和解決問題（Problem_solving）的智能機器，並且，這樣的機器能將被認為是有知覺的，有自我意識的。強人工智慧可以有兩類：
類人的人工智慧，即機器的思考和推理就像人的思維一樣。
非類人的人工智慧，即機器產生了和人完全不一樣的知覺和意識，使用和人完全不一樣的推理方式。
弱人工智慧
弱人工智慧觀點認為不可能製造出能真正地推理（Reasoning）和解決問題（Problem_solving）的智能機器，這些機器只不過看起來像是智能的，但是並不真正擁有智能，也不會有自主意識。
主流科研集中在弱人工智慧上，並且一般認為這一研究領域已經取得可觀的成就。強人工智慧的研究則出於停滯不前的狀態下。
對強人工智慧的哲學爭論
「強人工智慧」一詞最初是約翰·羅傑斯·希爾勒針對計算機和其它信息處理機器創造的，其定義為：
「強人工智慧觀點認為計算機不僅是用來研究人的思維的一種工具；相反，只要運行適當的程序，計算機本身就是有思維的。」（J Searle in Minds Brains and Programs. The Behavioral and Brain Sciences, vol. 3, 1980）這是指使計算機從事智能的活動。在這里智能的涵義是多義的、不確定的，象下面所提到的就是其中的例子。利用計算機解決問題時，必須知道明確的程序。可是，人即使在不清楚程序時，根據發現（heu- ristic）法而設法巧妙地解決了問題的情況是不少的。如識別書寫的文字、圖形、聲音等，所謂認識模型就是一例。再有，能力因學習而得到的提高和歸納推理、依據類推而進行的推理等，也是其例。此外，解決的程序雖然是清楚的，但是實行起來需要很長時間，對於這樣的問題，人能在很短的時間內找出相當好的解決方法，如競技的比賽等就是其例。還有，計算機在沒有給予充分的合乎邏輯的正確信息時，就不能理解它的意義，而人在僅是被給予不充分、不正確的信息的情況下，根據適當的補充信息，也能抓住它的意義。自然語言就是例子。用計算機處理自然語言，稱為自然語言處理。
關於強人工智慧的爭論不同於更廣義的一元論和二元論（alism）的爭論。其爭論要點是：如果一台機器的唯一工作原理就是對編碼數據進行轉換，那麼這台機器是不是有思維的？希爾勒認為這是不可能的。他舉了個中文房間的例子來說明，如果機器僅僅是對數據進行轉換，而數據本身是對某些事情的一種編碼表現，那麼在不理解這一編碼和這實際事情之間的對應關系的前提下，機器不可能對其處理的數據有任何理解。基於這一論點，希爾勒認為即使有機器通過了圖靈測試，也不一定說明機器就真的像人一樣有思維和意識。
也有哲學家持不同的觀點。Daniel C. Dennett 在其著作 Consciousness Explained 里認為，人也不過是一台有靈魂的機器而已，為什麼我們認為人可以有智能而普通機器就不能呢？他認為像上述的數據轉換機器是有可能有思維和意識的。
有的哲學家認為如果弱人工智慧是可實現的，那麼強人工智慧也是可實現的。比如Simon Blackburn在其哲學入門教材 Think 里說道，一個人的看起來是「智能」的行動並不能真正說明這個人就真的是智能的。我永遠不可能知道另一個人是否真的像我一樣是智能的，還是說她／他僅僅是看起來是智能的。基於這個論點，既然弱人工智慧認為可以令機器看起來像是智能的，那就不能完全否定這機器是真的有智能的。Blackburn 認為這是一個主觀認定的問題。
需要要指出的是，弱人工智慧並非和強人工智慧完全對立，也就是說，即使強人工智慧是可能的，弱人工智慧仍然是有意義的。至少，今日的計算機能做的事，像算術運算等，在百多年前是被認為很需要智能的。
[編輯本段]【人工智慧簡史】
人工智慧的傳說可以追溯到古埃及，但隨著1941年以來電子計算機的發展，技術已最終可以創造出機器智能，「人工智慧」(Artificial Intelligence)一詞最初是在1956年Dartmouth學會上提出的，從那以後,研究者們發展了眾多理論和原理，人工智慧的概念也隨之擴展，在它還不長的歷史中，人工智慧的發展比預想的要慢，但一直在前進，從40年前出現到現在，已經出現了許多AI程序，並且它們也影響到了其它 技術的發展。
計算機時代
1941年的一項發明使信息存儲和處理的各個方面都發生了革命.這項同時在美國和德國出現的 發明就是電子計算機.第一台計算機要佔用幾間裝空調的大房間,對程序員來說是場惡夢:僅僅為運行一 個程序就要設置成千的線路.1949年改進後的能存儲程序的計算機使得輸入程序變得簡單些,而且計算機 理論的發展產生了計算機科學,並最終促使了人工智慧的出現.計算機這個用電子方式處理數據的發明, 為人工智慧的可能實現提供了一種媒介.
AI的開端
雖然計算機為AI提供了必要的技術基礎,但直到50年代早期人們才注意到人類智能與機器之間 的聯系. Norbert Wiener是最早研究反饋理論的美國人之一.最熟悉的反饋控制的例子是自動調溫器.它 將收集到的房間溫度與希望的溫度比較,並做出反應將加熱器開大或關小,從而控制環境溫度.這項對反饋 迴路的研究重要性在於: Wiener從理論上指出,所有的智能活動都是反饋機制的結果.而反饋機制是有可 能用機器模擬的.這項發現對早期AI的發展影響很大.
1955年末,Newell和Simon做了一個名為"邏輯專家"(Logic Theorist)的程序.這個程序被許多人 認為是第一個AI程序.它將每個問題都表示成一個樹形模型,然後選擇最可能得到正確結論的那一枝來求解 問題."邏輯專家"對公眾和AI研究領域產生的影響使它成為AI發展中一個重要的里程碑.1956年,被認為是 人工智慧之父的John McCarthy組織了一次學會,將許多對機器智能感興趣的專家學者聚集在一起進行了一 個月的討論.他請他們到 Vermont參加 " Dartmouth人工智慧夏季研究會".從那時起,這個領域被命名為 "人工智慧".雖然 Dartmouth學會不是非常成功,但它確實集中了AI的創立者們,並為以後的AI研究奠定了基礎.
Dartmouth會議後的7年中,AI研究開始快速發展.雖然這個領域還沒明確定義,會議中的一些思想 已被重新考慮和使用了. Carnegie Mellon大學和MIT開始組建AI研究中心.研究面臨新的挑戰: 下一步需 要建立能夠更有效解決問題的系統,例如在"邏輯專家"中減少搜索;還有就是建立可以自我學習的系統.
1957年一個新程序,"通用解題機"(GPS)的第一個版本進行了測試.這個程序是由製作"邏輯專家" 的同一個組開發的.GPS擴展了Wiener的反饋原理,可以解決很多常識問題.兩年以後,IBM成立了一個AI研 究組.Herbert Gelerneter花3年時間製作了一個解幾何定理的程序.
當越來越多的程序涌現時,McCarthy正忙於一個AI史上的突破.1958年McCarthy宣布了他的新成 果: LISP語言. LISP到今天還在用."LISP"的意思是"表處理"(LISt Processing),它很快就為大多數AI開發者採納.
1963年MIT從美國政府得到一筆220萬美元的資助,用於研究機器輔助識別.這筆資助來自國防部 高級研究計劃署(ARPA),已保證美國在技術進步上領先於蘇聯.這個計劃吸引了來自全世界的計算機科學家, 加快了AI研究的發展步伐.
大量的程序
以後幾年出現了大量程序.其中一個著名的叫"SHRDLU"."SHRDLU"是"微型世界"項目的一部分,包括 在微型世界(例如只有有限數量的幾何形體)中的研究與編程.在MIT由Marvin Minsky領導的研究人員發現, 面對小規模的對象,計算機程序可以解決空間和邏輯問題.其它如在60年代末出現的"STUDENT"可以解決代數 問題,"SIR"可以理解簡單的英語句子.這些程序的結果對處理語言理解和邏輯有所幫助.
70年代另一個進展是專家系統.專家系統可以預測在一定條件下某種解的概率.由於當時計算機已 有巨大容量,專家系統有可能從數據中得出規律.專家系統的市場應用很廣.十年間,專家系統被用於股市預 測,幫助醫生診斷疾病,以及指示礦工確定礦藏位置等.這一切都因為專家系統存儲規律和信息的能力而成為可能.
70年代許多新方法被用於AI開發,著名的如Minsky的構造理論.另外David Marr提出了機器視覺方 面的新理論,例如,如何通過一副圖像的陰影,形狀,顏色,邊界和紋理等基本信息辨別圖像.通過分析這些信 息,可以推斷出圖像可能是什麼.同時期另一項成果是PROLOGE語言,於1972年提出. 80年代期間,AI前進更為迅速,並更多地進入商業領域.1986年,美國AI相關軟硬體銷售高達4.25億 美元.專家系統因其效用尤受需求.象數字電氣公司這樣的公司用XCON專家系統為VAX大型機編程.杜邦,通用 汽車公司和波音公司也大量依賴專家系統.為滿足計算機專家的需要,一些生產專家系統輔助製作軟體的公 司,如Teknowledge和Intellicorp成立了。為了查找和改正現有專家系統中的錯誤,又有另外一些專家系統被設計出來.
從實驗室到日常生活
人們開始感受到計算機和人工智慧技術的影響.計算機技術不再只屬於實驗室中的一小群研究人員. 個人電腦和眾多技術雜志使計算機技術展現在人們面前.有了象美國人工智慧協會這樣的基金會.因為AI開發 的需要,還出現了一陣研究人員進入私人公司的熱潮。150多所像DEC(它雇了700多員工從事AI研究)這樣的公司共花了10億美元在內部的AI開發組上.
其它一些AI領域也在80年代進入市場.其中一項就是機器視覺. Minsky和Marr的成果現在用到了生產線上的相機和計算機中,進行質量控制.盡管還很簡陋,這些系統已能夠通過黑白區別分辨出物件形狀的不同.到1985年美國有一百多個公司生產機器視覺系統,銷售額共達8千萬美元.
但80年代對AI工業來說也不全是好年景.86-87年對AI系統的需求下降,業界損失了近5億美元.象 Teknowledge和Intellicorp兩家共損失超過6百萬美元,大約占利潤的三分之一巨大的損失迫使許多研究領 導者削減經費.另一個另人失望的是國防部高級研究計劃署支持的所謂"智能卡車".這個項目目的是研製一種能完成許多戰地任務的機器人。由於項目缺陷和成功無望,Pentagon停止了項目的經費.
盡管經歷了這些受挫的事件,AI仍在慢慢恢復發展.新的技術在日本被開發出來,如在美國首創的模糊邏輯,它可以從不確定的條件作出決策;還有神經網路,被視為實現人工智慧的可能途徑.總之,80年代AI被引入了市場,並顯示出實用價值.可以確信,它將是通向21世紀之匙. 人工智慧技術接受檢驗 在"沙漠風暴"行動中軍方的智能設備經受了戰爭的檢驗.人工智慧技術被用於導彈系統和預警顯示以 及其它先進武器.AI技術也進入了家庭.智能電腦的增加吸引了公眾興趣;一些面向蘋果機和IBM兼容機的應用 軟體例如語音和文字識別已可買到;使用模糊邏輯,AI技術簡化了攝像設備.對人工智慧相關技術更大的需求促 使新的進步不斷出現.人工智慧已經並且將繼續不可避免地改變我們的生活.

⑵ 研究人工智慧演算法的是什麼專業

計算機科學與技術專業。

計算機科學與技術專業主修大數據技術導論、數據採集與處理實踐（Python）、Web前/後端開發、統計與數據分析、機器學習、高級資料庫系統、數據可視化、雲計算技術、人工智慧、自然語言處理、

媒體大數據案例分析、網路空間安全、計算機網路、數據結構、軟體工程、操作系統等課程，以及大數據方向系列實驗，並完成程序設計、數據分析、機器學習、數據可視化、大數據綜合應用實踐、專業實訓和畢業設計等多種實踐環節。

(2)演算法是科研嗎擴展閱讀

用來研究人工智慧的主要物質基礎以及能夠實現人工智慧技術平台的機器就是計算機，人工智慧的發展歷史是和計算機科學技術的發展史聯系在一起的。除了計算機科學以外，人工智慧還涉及資訊理論、控制論、自動化、仿生學、生物學、心理學、數理邏輯、語言學、醫學和哲學等多門學科。

人工智慧學科研究的主要內容包括：知識表示、自動推理和搜索方法、機器學習和知識獲取、知識處理系統、自然語言理解、計算機視覺、智能機器人、自動程序設計等方面。

⑶ 演算法中產品和科研的區別

根本性不同。
產品的目的是分享，自己做出來的東西越多人知道、越多人跟進模仿越好，以論文發表為主要產出。研發的目的是賺錢，自己做出來的東西越少人了解，越少人能跟進重復越好，以專利和技術秘密為主要產出。上面是根本性不同，由此會衍生出更多不同。

⑷ 為什麼要研究演算法

01 演算法的優劣是程序質量的重要標志。當我們遇到難題時，總是要求計算機在較短時間內解決難題，這樣我們就得深入研究演算法，挑選出好的演算法，以編出高效、實用的軟體，使計算機更快、更出色地完成任務。

通俗地說，演算法就是解決問題的具體辦法。在《三國演義》中，周瑜與諸葛亮為了打破曹操強大的80萬大軍的進攻，先設法除去曹軍中諳熟水戰的水軍將領蔡瑁、張允，於是就有了“群英會蔣干中計”；曹軍中沒有了真正懂得水戰規律的將領，加上北方軍人不適應艦船上生活，於是龐統的連環計獲得成功；由於是隆冬季節在大江之上作戰，所以就要有黃蓋使苦肉計和草船借箭，然後，東吳水軍才能在東南風起時火燒赤壁，取得破曹的決定性勝利。這也是周瑜、諸葛亮的破曹演算法。以上環節中如果有一個環節失誤，後果不堪設想。

在日常生活中，要解決一個問題，也總要先找出解決這個問題的步驟或辦法。問題簡單，解決問題的步驟就少些；問題復雜，解決問題的步驟就多。

許多著名的問題能得到解決，都是因為有人提出了巧妙的演算法。舉一個簡單的例子：9枚外表相同的硬幣中混進了一枚假幣，知道它與真幣重量不同，如果給你一架天平，至少需要稱幾次才能找到那枚假幣？這個演算法你可能很快就會設計出來。但如果999枚硬幣中混進一枚假幣，你又怎樣用天平將它稱出來呢？再舉一個例子：有幾個公路互通的城市，售貨員從一個城市出發，要乘車走遍所有幾個城市，最後回到出發點，該怎樣找出售貨員可以走的最短線路？用計算機與人下棋，如果是下五子棋，走棋的演算法較簡單，可能很多人都能設計出來，若是走圍棋呢？恐怕就很難設計演算法了！

在計算機領域，演算法是指計算機用來解決某一問題的精確的方法。它是計算機程序的重要組成部分，演算法的優劣是程序質量的重要標志。當我們遇到難題時，總是要求計算機在較短時間內解決難題，這樣我們就得深入研究演算法，挑選出好的演算法，以編出高效、實用的軟體，使計算機更快、更出色地完成任務。

⑸ 中科院哪個所是研究演算法的

和計算機相關的所，都有有人在做演算法。關鍵是哪個領域？數學與系統科學研究院、計算技術研究所、軟體所、沈陽計算所、深圳先進技術研究院等單位都有做這方面研究的人。
類似於計算機競賽？那是不是和計算數學相關更密切，推薦計算所和數學與系統科學研究院。

⑹ 怎樣研究演算法

演算法是一個體系。為什麼說研究演算法的都是高學歷高智商的人呢，就是因為搞演算法不是一蹴而就的。
首先你不要心急，這東西真沒有捷徑。
我給你說說大概的步驟吧。
首先要學習數學，初等數學啦，高等數學啦，甚至說是概率，幾何，代數，離散數學，數學分析，數學建模，這些都要多多少少的涉及。
這時候很多人就煩了，說搞演算法，你讓我學什麼數學啊。
確實，你學完這些課，你還不能編自己的演算法，但是這裡面很多演算法的思想非常重要，你沒見過你就不會用，你就不會分析，所以這些課學好了都不行，還要學精。

再者就是做項目，結合項目來不斷見識演算法和思想。
我說說我用了幾年吧，我大三開始好好學習的，兩年時間完成了數學課程的學習，之後讀研，三年時間主要是用本科學的數學課程來進行演算法分析，編寫演算法。
研究生一畢業就去工作，直接找的演算法工程師的工作，工作剛開始比較難，強度稍微大一點，不過好在有基礎，所以大概一個月就上手了。

總之怎麼研究演算法，這東西不能一蹴而就，你要耐下心來學基礎課程。
如果你還沒考大學，你去考數學專業或者計算機專業或者金融專業。
如果你已經畢業了，可以考這幾個方向的研究生。

⑺ 演算法工程師搞科研好嗎

看個人需求是什麼，搞科研當然好，收入進企業更高一下。

⑻ 研究計算機的人到底算不算科學家，計算機是工科還是理科

科學家是指專門從事科學研究的人士，達到了一定的造詣，獲得了有關部門和行業內的認可，均可以稱之為科學家。按照這樣的說法，其實研究計算機的人可以算科學家，如果他獲得了有關部門和行業內的認可的話。

比較特殊的是，計算機專業內部也分為理科方向和工科方向，理科方向也叫計算機科學，主要研究演算法復雜度、程序設計語言原理、數據挖掘、形式語言與自動機理論、計算機體系結構；工科方向也叫計算機技術，主要研究圖形圖像處理、軟體工程、軟體體系結構、操作系統、資料庫等等。。

⑼ 計算機科學與技術是不是就是搞演算法的

計算機科學與技術是大學本科開設的理論性的專業。而計算機應用技術時專科兒大學開設的理論性專業。說白了第一個專業是高分大學的第二個專業是低分大學的。都是學理論知識的前者更加側重的是它的實用性和實踐性學習的時候強調實踐和成效應用方面有更加嚴格的要求後者的學術性和知識性會更加的側重你學習的時候可以一門是主修一門指定選修或者是選修看來你對這方面不是很清楚。我想告訴你一般大學里指的計算機專業都是了解整個計算機體系而設立的。部分大學會開設專門偏向軟體編寫的軟體工程專業。你所說的計算機應用這個東西只能作為一項專門的技術存在，比如瑪雅，AUTOCAD這種都是以課程的身份存在，其本身不能單獨成為一個專業。

⑽ 研究生 推薦演算法還值得研究嗎

值得。
推薦演算法是計算機專業中的一種演算法，通過一些數學演算法，推測出用戶可能喜歡的東西，應用推薦演算法比較好的地方主要是網路。。
個性化推薦概念的首次出現是在1995年3月的美國人工智慧協會上，由卡耐基梅隆大學的RobertArmstrong等提出了個性化導航系統WebWatcher。