人工智能中用到的逻辑可概括地划分为两大类。一类是经典命题逻辑和一阶渭词逻辑，其特点是任何一个命题的真值或者为“真”，或者为“假”，二者必居其一。

　　因为它只有两个真值，因此又称为二值逻辑。另一类是泛指除经典逻辑外的那些逻辑，主要包括三值逻辑、多值逻辑、模糊逻辑、模态逻辑及时态逻辑等，统称为非经典逻辑。

　　在非经典逻辑中，又可分为两种情况，一种是与经典逻辑平行的逻辑，如多值逻辑、模糊逻辑等，它们使用的语言与经典逻辑基本相同，主要区别是经典逻辑中的一些定理在这种非经典逻辑中不再成立，而且增加了一些新的概念和定理。另一种是对经典逻辑的扩充，如模态逻辑、时态逻辑等。

工智能逻辑分成两大类

一：是机器学习

二：是深度学习

机器学习又可以分为：有监督学习和无监督学习；

深度学习又可以分为：提取特征和优化超参数。

人工智能领域热门的书籍有很多，博士论文也有很多。主要是看你兴趣在哪些方面，然后可以去找相关的书籍来学习。目前有一些常见的算法理论依据和算法发展路线介绍的书籍，可以去了解一下，比如本人正在撰写的一本《机器学习》，内容是机器学习主要的理论依据和算法发展历史。

人工智能领域的分类包括，研究包括机器人、图像识别、语言识别、自然语言处理和专家系统等。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。
人工智能主要有三个分支：
1) 认知AI （cognitive AI）  
认知计算是最受欢迎的一个人工智能分支，负责所有感觉“像人一样”的交互。认知AI必须能够轻松处理复杂性和二义性，同时还持续不断地在数据挖掘、NLP（自然语言处理）和智能自动化的经验中学习。                   
现在人们越来越倾向于认为认知AI混合了人工智能做出的最好决策和人类工作者们的决定，用以监督更棘手或不确定的事件。这可以帮助扩大人工智能的适用性，并生成更快、更可靠的答案。
2) 机器学习AI （Machine Learning AI）   
机器学习（ML）AI是能在高速公路上自动驾驶你的特斯拉的那种人工智能。它还处于计算机科学的前沿，但将来有望对日常工作场所产生极大的影响。机器学习是要在大数据中寻找一些“模式”，然后在没有过多的人为解释的情况下，用这些模式来预测结果，而这些模式在普通的统计分析中是看不到的。                
然而机器学习需要三个关键因素才能有效：                  
a) 数据，大量的数据                     
为了教给人工智能新的技巧，需要将大量的数据输入给模型，用以实现可靠的输出评分。例如特斯拉已经向其汽车部署了自动转向特征，同时发送它所收集的所有数据、驾驶员的干预措施、成功逃避、错误警报等到总部，从而在错误中学习并逐步锐化感官。 一个产生大量输入的好方法是通过传感器：无论你的硬件是内置的，如雷达，相机，方向盘等（如果它是一辆汽车的话），还是你倾向于物联网(Internet of Things)。蓝牙信标、健康跟踪器、智能家居传感器、公共数据库等只是越来越多的通过互联网连接的传感器中的一小部分，这些传感器可以生成大量数据（多到让任何正常的人来处理都太多）。