最近，一位在行業內工作了幾年的斯坦福人工智能畢業的專業人士為自己的人工智能和機器學習的職業生涯，設計一個完整的 4 年制人工智能本科學位基礎課程。

[[388402]]

如今他把這個課程分享出來，希望可以為人工智能和計算機科學領域的新手提供幫助。

第一年：打好基礎

在取得人工智能學位的第一年，你應該專注于學習計算機科學和現代機器學習基礎的核心概念，在這部分課程里，就是專門為沒有計算機科學方面的經驗的人準備的。第一年的大部分時間應該花在軟件和算法基礎知識上，你應該關注的課程包括：

編程基礎知識：介紹面向對象的編程及數據結構。人工智能從業人員需要具有扎實的軟件工程技能。

相關課程：https://web.stanford.edu/class/cs106b/

計算機系統概論：從初級的角度學習計算機科學系統的設計和結構。這里的重點是學習軟件編譯過程，執行計算機程序時會發生什么，以及如何在內存中組織程序。

相關課程：http://web.stanford.edu/class/cs107/

算法：涵蓋了廣泛使用的計算機科學算法(例如廣度優先搜索和動態編程)背后的數學和理論，以及如何分析這些算法的內存和運行時特性。

相關課程：https://stanford-cs161.github.io/winter2021/

概率論：概率論和統計學構成許多機器學習算法的核心，學習如何解釋和分析數據對于任何機器學習或數據科學事業都是至關重要的。

相關課程：http://web.stanford.edu/class/cs109/

線性代數：介紹如何處理矩陣和向量，求解線性方程式以及應用最小二乘法，這些數學基礎廣泛應用于機器學習。

相關課程：https://stanford.edu/class/engr108/

多維微積分，調試函數的梯度，反向傳播以及機器學習，這些都是經常用到的。

相關課程：https://www.coursera.org/learn/vector-calculus-engineers

第二年：探索階段，發展系統知識

在人工智能大學本科學習的第二年重點應該在了解人工智能的一般原理，以及如何解決這些問題，此外，你應該繼續加深對模型構建相關的計算機系統的理解，并練習軟件工程和設計原則。這部分建議的課程如下：

人工智能簡介：該課程涵蓋了對不同人工智能領域的廣泛調查，比如搜索，游戲，邏輯以及圖像還有機器學習算法的應用。

相關課程：https://stanford-cs221.github.io/spring2020/

編譯器：此課程涵蓋了編譯器背后的設計和理論，理想情況下著重于從頭開始構建完整的編譯器。編譯器是你編寫的每個程序的核心，對于人工智能從業者來說，了解它們的工作原理也很重要，這樣你才能成為有能力的工程師，這樣的課程將是你充分了解如何構建復雜的軟件系統，重點關注編譯器的模塊化組件，除此之外，如果你有興趣追求將人工智能應用于語言理解，那么編譯器的設計和傳統的自然語言處理堆棧之間的關系是很微妙的。

相關課程：http://web.stanford.edu/class/cs143/

數據庫導論：介紹數據庫管理系統背后的原理，重點介紹關系數據模型、索引、模式和事務等主題。任何現代數據科學家或機器學習工程師都必須學會如何與數據庫交互，因此了解他們是至關重要的。

相關課程：https://cs145-fa19.github.io/

并行計算：從Apache Spark到gpu等硬件，并行計算平臺構成了當今許多平臺和技術的核心。這門課程會介紹這些系統背后的思想，這樣你就能更熟練有效地使用它們。

相關課程：http://cs149.stanford.edu/fall19/

操作系統：如果你想真正掌握系統編程，成為一名熟練的工程師，那就去上一門操作系統課程，在這個課程中，你將從零開始構建一個操作系統，你不僅將學習如何設計操作系統，還將學習如何成為一名優秀的代碼管理員，這些基本技能在你未來任何需要寫代碼的職業生涯中都是無價的。

相關課程：http://web.stanford.edu/~ouster/cgi-bin/cs140-spring20/index.php

第三年：開始高級課程學習

在第三年，你應該專注于深入學習機器學習，以及統計原理在特定領域的應用，包括自然語言處理、大數據分析和計算機視覺。以下是一些推薦的課程:

機器學習：涵蓋機器學習的原理，包括監督和非監督學習和模型訓練相關概念，比如偏差、方差，正則化以及模型選擇，這部分一定要學習，因為它們每天都需要被人工智能從業者用到。

相關課程：http://cs229.stanford.edu/

凸優化：涵蓋了統計、機器學習、信號處理和其它使用凸優化的領域，雖然現在許多模型都使用非凸優化，但是了解易于處理的優化問題背后的邏輯是有幫助的。

相關課程：http://web.stanford.edu/class/ee364a/

概率圖模型：涵蓋了圖模型范式，它允許對大量隨機變量的概率集合進行建模。在計算機視覺和自然語言處理等各種應用程序中，許多問題都可以使用圖模型來表示，因此了解這些思想是有幫助的。

相關課程：https://cs.stanford.edu/~ermon/cs228/index.html

數據挖掘：涵蓋如何處理大型數據集的技術和方法，重點關注推薦算法、聚類以及大規模的數據集計算與分析，考慮到每天產生的新數據量，AI從業者必須能夠熟練地操作和分析數據，特別是通過使用Spark等現代工具包。

相關課程：http://web.stanford.edu/class/cs246/

自然語言處理：介紹了如何讓機器懂得文本數據的理論和時間，這樣的課程應該提供傳統自然語言處理任務的概述，如解析等，并教你如何使用深度學習等技術處理這些任務。

相關課程：http://web.stanford.edu/class/cs224n/

基于CV的卷積神經網絡：涵蓋了現代深度學習體系結構背后的理論，特別是關于構建計算機視覺模型的理論。擁有扎實的神經網絡基礎對當下的人工智能領域相當重要。

相關課程：http://cs231n.stanford.edu/

第四年：實踐經驗必不可少

第四年你應該要練習、練習、再練習，通過前三年的學習，你已經對計算機系統和人工智能概念、應用有了清楚的理解，因此，接下來你應該找到自己感興趣的問題和方向，獲取現有數據集(或開發自己的數據集)，并開始構建模型。學習數據操作、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。

要想成為一名高效的人工智能專家，你需要把學到的所有理論付諸實踐，下面是一些如何獲得實踐的方法：

參加項目課程：有的學校會提供這類課程，在這門課里，你需要深入研究整個項目的情況。該課程就屬于這種類型。

相關課程：http://web.stanford.edu/class/cs341/

參與研究：做研究是一種十分高效的方式，可以讓你在復雜的人工智能工作中獲得實際經驗。幫助研究生完成你感興趣的項目，或者讓導師贊助你自己的項目。通過這種方式，你將獲得大量的機會了解當下人工智能從業者的日常工作是怎樣的。

做一份行業內實習：如果時間允許，考慮從學校請假一段時間，到一家人工智能公司實習，可以是3-6個月，在那里你可以接觸到你所學的理論知識是如何在現實世界中應用的，如果你打算一畢業就進入該行業，沒有什么比這種方式更好的了。

至此，你已經學完了一個完整的思念課程設計，可以說已經為你在機器學習或數據科學職業生涯奠定了基礎。通過上面的列表，參加課程來填補你自己的概念/技能空白。雖然有很多東西需要學習，但是只要你對人工智能感興趣，相信這都不斷什么。