现在比较主流的观点是：机器学习的理论基础是数学；实践基础是语言。
奥斯汀大学的AI博士Prasoon Goyal认为，要学好机器学习，需要具备以下数学背景知识：
概率和统计
线性代数
优化
多变量微积分
功能分析（可选）
一阶逻辑（可选）
以上这些是比较初阶的、掌握机器学习所需的数学背景。如果希望在这个领域能够钻研的足够深入，软件工程师Ashutosh Singh给了一个更长的数学知识列表：
线性代数（向量）
矢量微积分（多元微积分，部分导数等）
三维坐标几何
概率论
离散数学（集合论等）
统计
高等代数（因子，进展，矩阵等）
三角
计数方法（排列，组合，鸽子孔原理等）
所以虽然人工智能现在确实很火，也确实一些大公司比如Google、微软、Facebook等在不断降低机器学习的学习门槛，并且开源机器学习框架，提供数据集搜索，目的都是在简化人工智能的开发过程。
如果你不只满足于跟着网上教学案例做几个小App，而是真正想在人工智能领域做出一番事业，树立一定影响力和地位，本禅师建议还是踏实下来，学好数学。
至于代码这块，Python是首选。Julia和R也是不错的选择。
