近日，一位从业多年的斯坦福人工智能研究生专业为他的人工智能和机器学习职业设计了完整的4年课程。人工智能本科学位的基础课程。现在他分享这门课程，希望能帮助到人工智能和计算机科学领域的新手。第一年：打基础在人工智能学位的第一年，你应该专注于学习计算机科学的核心概念和现代机器学习的基础。准备。第一年的大部分时间应该花在软件和算法基础上，您应该关注的课程包括：编程基础：面向对象编程和数据结构简介。人工智能从业者需要具备扎实的软件工程技能。相关课程：https://web.stanford.edu/class/cs106b/计算机系统概论：从初级角度学习计算机科学系统的设计和结构。这里的重点是学习软件编译过程、执行计算机程序时发生的情况以及程序在内存中的组织方式。相关课程：http://web.stanford.edu/class/cs107/算法：涵盖广度优先搜索和动态规划等广泛使用的计算机科学算法背后的数学和理论，以及如何分析内存和运行时特性。相关课程：https://stanford-cs161.github.io/winter2021/概率论：概率和统计构成了许多机器学习算法的核心，学习如何解释和分析数据对于任何机器学习或数据科学职业都是必不可少的重要的。相关课程：http://web.stanford.edu/class/cs109/线性代数：介绍矩阵和向量的处理、求解线性方程以及应用最小二乘法，这是机器学习中广泛使用的数学基础。相关课程：https://stanford.edu/class/engr108/多维微积分，调试函数的梯度，反向传播，机器学习，经常用到。相关课程：https://www.coursera.org/learn/vector-calculus-engineersYear2:Explorationphase,developingsystemknowledge人工智能大学本科二年级，重点应该是理解一般原理人工智能的研究，以及如何解决这些问题，除此之外，还应该继续加深对计算机系统相关模型构建的理解，实践软件工程和设计原理。本节推荐课程如下：人工智能概论：本课程涵盖了人工智能不同领域的广泛概览，例如搜索、游戏、逻辑和图像，以及机器学习算法的应用。相关课程：https://stanford-cs221.github.io/spring2020/编译器：本课程涵盖编译器背后的设计和理论，理想情况下侧重于从头构建一个完整的编译器。编译器是你编写的每个程序的核心，对于人工智能从业者来说，了解它们的工作原理也很重要，这样你才能成为一名称职的工程师，像这样的课程将使你充分了解如何构建复杂的软件系统，重点关注编译器的模块化组件，除此之外，如果您有兴趣追求用于语言理解的人工智能，那么编译器的设计与传统NLP堆栈之间的关系是微妙的。相关课程：http://web.stanford.edu/class/cs143/数据库简介：介绍数据库管理系统背后的原理，重点关注关系数据模型、索引、模式和事务等主题。任何现代数据科学家或机器学习工程师都必须学习如何与数据库交互，因此了解它们至关重要。相关课程：https://cs145-fa19.github.io/并行计算：从ApacheSpark到GPU等硬件，并行计算平台构成了当今许多平台和技术的核心。本课程介绍了这些系统背后的理念，以便您可以更熟练、更有效地使用它们。相关课程：http://cs149.stanford.edu/fall19/操作系统：如果您想真正掌握系统编程并成为熟练的工程师，请参加操作系统课程，在该课程中您将从头开始构建操作系统，您不仅会学习如何设计操作系统，还会学习如何做一个好的代码管理器。这些基本技能在任何需要编写代码的未来职业中都将是无价的。相关课程：http://web.stanford.edu/~ouster/cgi-bin/cs140-spring20/index.php第三年：开始高级课程第三年，你应该专注于机器学习的深度学习，以及机器学习的应用特定领域的统计原理，包括自然语言处理、大数据分析和计算机视觉。以下是一些推荐课程：机器学习：涵盖机器学习的原理，包括与监督和非监督学习以及模型训练相关的概念，例如偏差、方差、正则化和模型选择。这部分是必须的，因为他们每天都需要。由AI从业者使用。相关课程：http://cs229.stanford.edu/ConvexOptimization：涵盖统计、机器学习、信号处理等使用凸优化的领域，虽然现在很多模型都使用非凸优化，但是理解tractableoptimizationproblems的逻辑它的背后是有帮助的。相关课程：http://web.stanford.edu/class/ee364a/概率图形模型：涵盖图形模型范例，它允许对大型随机变量的概率集合进行建模。在计算机视觉和自然语言处理等多种应用中，许多问题都可以使用图形模型表示，因此理解这些想法很有帮助。相关课程：https://cs.stanford.edu/~ermon/cs228/index.html数据挖掘：涵盖如何处理大型数据集的技术和方法，重点是推荐算法、聚类和大规模数据集计算和分析，考虑到每天产生的新数据量，AI从业者必须能够熟练地操作和分析数据，尤其是通过使用Spark等现代工具包。相关课程：http://web.stanford.edu/class/cs246/NaturalLanguageProcessing：介绍如何让机器理解文本数据的理论和时序。此类课程应概述传统的自然语言处理任务，例如解析等，并教您如何使用深度学习等技术来处理这些任务。相关课程：http://web.stanford.edu/class/cs224n/基于CV的卷积神经网络：涵盖现代深度学习架构背后的理论，尤其是关于构建计算机视觉模型的理论。拥有扎实的神经网络基础对于当前的人工智能领域来说非常重要。相关课程：http://cs231n.stanford.edu/第4年：实践经验必不可少在第4年，您应该练习、练习、再练习。通过前三年的学习，你已经对计算机系统和人工智能的概念和应用有了清晰的认识，所以接下来你应该找到自己感兴趣的问题和方向，获取现有的数据集（或者开发自己的数据集），然后开始构建模型。了解数据操作、假设检验和错误分析的细微差别，并学习如何对模型进行故障排除。要成为一名有效的人工智能专家，您需要将所学的所有理论付诸实践，以下是一些实践方法：参加项目课程：一些学校会提供此类课程，在该课程中，您需要深入了解整个项目的情况。本课程属于此类。相关课程：http://web.stanford.edu/class/cs341/参与研究：做研究是获得复杂AI工作实际经验的一种非常有效的方式。帮助研究生完成您感兴趣的项目，或者让导师赞助您自己的项目。这样，你会得到很多机会去了解当今AI从业者的日常工作是怎样的。行业实习：如果时间允许，可以考虑休学一段时间到人工智能公司实习，可以是3-6个月，可以接触到所学的理论知识是如何应用的在现实世界中，如果你打算一毕业就进入这个行业，没有什么比这个方法更好的了。至此，你已经完成了一个完整的Miss课程设计，可以说是为你在机器学习或者数据科学领域的职业生涯打下了基础。浏览上面的列表并参加课程以填补您自己的概念/技能差距。虽然要学的东西很多，但只要你对人工智能感兴趣，相信不会有什么。
