0
| 本文作者： AI研習社-譯站 | 2020-08-17 14:16 |
字幕組雙語原文：人工智能本科學位完整四年課程規(guī)劃(斯坦福)
英語原文：A Complete 4-Year Course Plan for an Artificial Intelligence Undergraduate Degree
翻譯：雷鋒字幕組（明明知道、jiazhenbin、婁門人家）
離開學校已經(jīng)有一段時間了，我現(xiàn)在有許多時間可以去反思下某些課程對我在人工智能和機器學習領域的發(fā)展有多大益處。我決定將我的想法在這篇文章中發(fā)表，為四年制人工智能本科學位的學習給出一個完整的課程規(guī)劃。
這些課程旨在為人工智能和計算機科學領域的新人們提供廣度與深度并重的知識。這個課程體系的構建深受我所學過課程的啟發(fā)，并且反映了那些我認為在人工智能生涯中必備的技能。
你也許通過Coursera在線課程就能獲得某些人工智能領域的知識，但我的側重點是在實際應用中培養(yǎng)對這些概念的深層理解。徹底理解某個領域確實花費時間，但我認為所謂的“捷徑”并不可行，因此，這個課程規(guī)劃是為那些想從基礎理論開始系統(tǒng)學習的人們配備的。
介紹結束了，就讓我們開始吧。
在人工智能學位學習的第1年，你應該聚焦于學習那些構成計算機科學和現(xiàn)代機器學習基礎的核心概念。此處，我假設你完全沒有計算機科學先修經(jīng)歷，所以，這一年的主要精力應該花在學習軟件和算法基礎上，在你的整個學位學習階段和職業(yè)生涯中都將會需要這些基礎知識。你應該聚焦的課程包括：
程序設計基礎（Programming Fundamentals）：介紹面向?qū)ο蟪绦蛟O計及數(shù)據(jù)結構（集合、圖等）。人工智能從業(yè)者需要有扎實的軟件工程技能。相關課程代碼：CS 106B。
計算機系統(tǒng)導論（Introduction to Computer Systems）：講授從低層來角度來看計算機科學系統(tǒng)是如何設計和構成的。其中，重點在于學習軟件編譯過程，當你運行程序時會發(fā)生什么，在內(nèi)存中程序是如何組織的等。相關課程代碼：CS 107。
算法（Algorithms）：涵蓋廣泛使用的計算機科學算法后面的數(shù)學和理論，比如廣度優(yōu)先遍歷、動態(tài)規(guī)劃，以及如何分析那些算法的內(nèi)存和運行時特點。相關課程代碼：CS 161。
概率論（Probability Theory）：概率統(tǒng)計是許多機器學習算法的核心， 學習如何解釋和分析數(shù)據(jù)對于任何機器學習或大數(shù)據(jù)科學的領域來說 ，都是至關重要的。相關課程代碼：CS 109。
線性代數(shù)（Linear Algebra）：涵蓋如何運用矩陣和向量，解線性方程，應用最小二乘法。這些數(shù)學基礎知識在機器學習領域都被廣泛使用。相關課程代碼：EE 103。
多維微積分（Multi-dimensional Calculus）：你應該能輕松地解得函數(shù)梯度，因為這是諸如反向傳播算法之類的現(xiàn)代深度學習主力算法的核心技術。相關課程代碼：工程向量微積分。
人工智能本科二年級學生的重點應該是讓自己了解人工智能的一般原理，已經(jīng)解決的問題是什么以及是如何解決的。此外，你應該繼續(xù)理解與模型構建相關的計算機系統(tǒng)，并實踐軟件工程和設計原則。為此，建議學習以下課程：
人工智能導論（Introduction to Artificial Intelligence）：涵蓋了不同的人工智能領域的廣泛概述，如搜索、游戲、邏輯、圖形模型、機器學習和這些算法的應用。這樣的課程應該為從符號邏輯到統(tǒng)計技術等方法的思想演變提供歷史背景。相關課程：CS 221。
編譯器（Compilers）：涵蓋編譯器背后的設計和理論，理想情況下強調(diào)從頭構建一個完整的編譯器。編譯器是你編寫的每一個程序的核心，即使對人工智能從業(yè)者來說，理解它們的工作原理也是很重要的，這樣你才能成為有能力的工程師。這樣的課程將讓你很好地接觸到如何構建一個復雜的軟件系統(tǒng)，著重于模塊化的、經(jīng)過文檔化和測試的、架構良好的組件。除此之外，如果你對追求應用于語言理解的人工智能感興趣，編譯器的設計和傳統(tǒng)自然語言處理堆棧之間的相似之處是不可思議的。相關課程：CS 143。
數(shù)據(jù)庫導論（Introduction to Databases）：涵蓋數(shù)據(jù)庫管理系統(tǒng)背后的原理，重點諸如關系數(shù)據(jù)模型、索引、模式和事務等部分。任何現(xiàn)代數(shù)據(jù)科學家或機器學習工程師都必須在某種程度上與數(shù)據(jù)庫交互，因此了解它們的組織架構方式至關重要。相關課程：CS 145。
并行計算（Parallel Computing）：并行計算平臺構成了當今許多平臺和技術的核心，從 Apache Spark 到 GPU 等硬件。有關并行計算的課程應該介紹這些系統(tǒng)背后的思想，以便你更熟練地有效地使用它們。相關課程：CS 149。
操作系統(tǒng)（Operating Systems）：如果你想真正擅長系統(tǒng)編程，成為一個更熟練的工程師，那就去上一門操作系統(tǒng)課程，在這門課程中，你必須從頭開始構建一個操作系統(tǒng)。您不僅將學習如何設計操作系統(tǒng)，還將學習如何成為一名精通Debug代碼的程序員。在未來的人工智能職業(yè)中，這些基本技能將是無價的。相關課程：CS 140。
在第三年，你應該專注于深入學習機器學習以及統(tǒng)計原理的特定領域應用，包括自然語言處理、大數(shù)據(jù)分析和計算機視覺。以下是一些推薦的課程：
機器學習（Machine Learning）：涵蓋機器學習的原則，包括監(jiān)督和非監(jiān)督學習和模型訓練概念，如偏方差權衡、正則化和模型選擇。一定要學習這些理論并把它們學好，因為人工智能從業(yè)者每天都在使用它們。相關課程：CS 229。
凸優(yōu)化（Convex Optimization）：涵蓋解決凸優(yōu)化問題背后的思想與應用到統(tǒng)計、機器學習、信號處理和其他領域。雖然現(xiàn)在許多模型使用非凸目標，但這有助于理解可處理優(yōu)化問題背后的形式。相關課程：EE 364A。
概率圖形模型（Probabilistic Graphical Models）：涵蓋圖形模型范式，它允許對隨機變量的大量集合進行概率建模。計算機視覺和自然語言處理等各種應用中的許多問題都可以用圖形模型來表達，因此了解這些思想是有幫助的。相關課程：CS 228。
數(shù)據(jù)挖掘（Data Mining）：涵蓋如何處理大數(shù)據(jù)集的技術和方法，尤其側重于推薦系統(tǒng)、聚類和大規(guī)模監(jiān)督機器學習等應用領域。鑒于每天都會產(chǎn)生大量新數(shù)據(jù)，人工智能從業(yè)者必須適應大規(guī)模操作和分析數(shù)據(jù)，特別是通過使用 Spark 這樣的現(xiàn)代工具包。相關課程：CS 246。
自然語言處理（Natural Language Processing）：介紹讓機器理解文本數(shù)據(jù)背后的理論和實踐。這樣的課程應該概述諸如解析和命名實體識別之類的傳統(tǒng)自然語言處理中的任務，并講授如何使用諸如深度學習之類的技術來解決這些任務。相關課程：CS 224N。
用于計算機視覺的卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks for Computer Vision）：涵蓋了現(xiàn)代深度學習體系結構背后的理論，尤其是與構建計算機視覺模型有關的理論。在當今的人工智能領域中，想要獲得成功，擁有扎實的神經(jīng)網(wǎng)絡基礎至關重要。相關課程：CS 231N。
第四年的課程名稱應該是實踐、實踐、再實踐！在你完成你的頭三年課程的時候，你對低級計算機科學和軟件工程原理以及人工智能概念及其應用背后的理論已經(jīng)有了深入的了解。在這一點上，你需要多花時間動動手。
找到您感興趣的研究領域，獲取現(xiàn)有數(shù)據(jù)集（或開發(fā)自己的數(shù)據(jù)集），然后開始構建模型。學習數(shù)據(jù)處理、假設檢驗和錯誤分析的細微差別。學習如何對模型進行故障排除。
想要成為一名人工智能領域的專家，那需要將你所學到的所有原則付諸實踐。下面是一些如何盡可能多實踐的方法：
參加項目課程：一些大學會開設一些課程，在這些課程中，你可以在整個課程期間嚴格地處理一類問題中的單個項目。這些類很好，因為您有時間真正深入研究項目的所有復雜性。我想到的一個例子是 CS 341。
參與研究：參與研究是獲得人工智能工作中所有錯綜復雜的實踐經(jīng)驗的一種十分有效的方式。主動幫助研究生完成你感興趣的課題，或者請求老師資助你自己的課題！通過這樣做，你會很好地了解從事人工智能課題時的日常工作情況。
進行行業(yè)實習：如果你的時間安排允許，可以考慮從學校請假到一家人工智能公司實習。許多公司都提供 3-6 個月的實習機會，讓你接觸到所學原理的實際應用。如果你打算畢業(yè)后馬上就進入工業(yè)界，那么沒有更好的方式來體驗數(shù)據(jù)科學家或機器學習工程師的工作。
至此，你已經(jīng)完成了一個完整的四年課程規(guī)劃，為你未來成功的機器學習或數(shù)據(jù)科學的職業(yè)生涯準做好了準備！值得一提的是，并非必須參加上述所有課程。
另一種方法是瀏覽上述列表，并選修有關課程來填補自己的概念或技能空白。雖然有很多東西要學習，但但現(xiàn)在正是參與人工智能的激動人心的時刻，機遇無窮，研究領域廣闊，未來大有可為。好運！
雷鋒字幕組是由AI愛好者組成的志愿者翻譯團隊；團隊成員有大數(shù)據(jù)專家、算法工程師、圖像處理工程師、產(chǎn)品經(jīng)理、產(chǎn)品運營、IT咨詢?nèi)?、在校師生；志愿者們來自IBM、AVL、Adobe、阿里、百度等知名企業(yè)，北大、清華、港大、中科院、南卡羅萊納大學、早稻田大學等海內(nèi)外高校研究所。
了解字幕組請聯(lián)系微信：tlacttlact
轉(zhuǎn)載請聯(lián)系字幕組微信并注明出處：雷鋒字幕組
雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
