By 超神經(jīng)

內(nèi)容概要：斯坦福大學(xué)的計(jì)算機(jī)本碩畢業(yè)生 Mihail Eric，梳理了人工智能專業(yè)所需要的基礎(chǔ)課程和專業(yè)課程，并將其整理成四年的學(xué)習(xí)清單分享出來。

關(guān)鍵詞：網(wǎng)課分享 斯坦福AI課程

自 2011 年，MIT 和斯坦福大學(xué)首次將課程發(fā)布至線上，至今已經(jīng)有數(shù)百所學(xué)校的上千門課程，免費(fèi)對(duì)全球公眾開放。

其中斯坦福大學(xué)計(jì)算機(jī)類的課程以優(yōu)質(zhì)、全面、前沿受到全球終生學(xué)習(xí)者的認(rèn)可。

近期一位本科與研究生均畢業(yè)于斯坦福大學(xué)計(jì)算機(jī)專業(yè)的小哥哥 Mihail Eric，梳理了一份課程清單。清晰分配了這些課程在四年學(xué)習(xí)中的順序，介紹了基本內(nèi)容。完成這些課程，相當(dāng)于完成了人工智能本科學(xué)位所需要的課程。

?曾任斯坦福助教，熱愛知識(shí)分享

Mihail Eric 在 2012 年進(jìn)入斯坦福大學(xué)就讀計(jì)算機(jī)專業(yè)本科，2016 年繼續(xù)就讀計(jì)算機(jī)碩士，期間加入了斯坦福大學(xué)著名的 NLP 小組，還擔(dān)任過自然語言處理課程（CS 224N）和概率與統(tǒng)計(jì)學(xué)入門（CS 109）的助教。

Mihail Eric?也會(huì)在 Twitter 上分享學(xué)習(xí)經(jīng)驗(yàn)

https://twitter.com/mihail_eric

現(xiàn)在 Mihail 就職于亞馬遜的 Alexa AI 部門，擔(dān)任數(shù)據(jù)科學(xué)家。

Mihail 表示這個(gè)課程清單，主要受到他在斯坦福本碩期間所學(xué)習(xí)的課程印象和體會(huì)，以及他工作中對(duì)于人工智能學(xué)科學(xué)習(xí)的理解。所以這份課程清單，會(huì)更適用于想從基礎(chǔ)理論開始系統(tǒng)學(xué)習(xí)的人。

?自學(xué)第一年：夯實(shí)計(jì)算機(jī)基礎(chǔ)知識(shí)

在完成人工智能學(xué)位的第一年，應(yīng)該聚焦于計(jì)算機(jī)科學(xué)和現(xiàn)代機(jī)器學(xué)習(xí)基礎(chǔ)的核心概念。針對(duì)沒有計(jì)算機(jī)學(xué)科基礎(chǔ)或基礎(chǔ)不扎實(shí)的同學(xué)。

這一年的主要精力應(yīng)該花在學(xué)習(xí)軟件和算法基礎(chǔ)上，這些知識(shí)將貫穿這四年的學(xué)習(xí)和整個(gè)職業(yè)生涯，課程安排：

程序設(shè)計(jì)基礎(chǔ)?

課程代碼：CS 106B

CS 106 是斯坦福計(jì)算機(jī)課程中的經(jīng)典課程，內(nèi)容包括面向?qū)ο蟪绦蛟O(shè)計(jì)、數(shù)據(jù)結(jié)構(gòu)（集合、圖等）知識(shí)，這些都是人工智能從業(yè)者需要的基礎(chǔ)軟件工程技能。

課程地址：http://web.stanford.edu/class/cs106b/

計(jì)算機(jī)系統(tǒng)導(dǎo)論?

CS 107

從底層角度來思考計(jì)算機(jī)科學(xué)系統(tǒng)是如何設(shè)計(jì)和構(gòu)成的。其中，課程重點(diǎn)在于學(xué)習(xí)軟件編譯過程，當(dāng)你運(yùn)行程序時(shí)會(huì)發(fā)生什么，在內(nèi)存中程序是如何組織的等。

課程地址：http://web.stanford.edu/class/cs107/

算法設(shè)計(jì)與分析?

CS 161

該課程涵蓋廣泛使用的算法背后的數(shù)學(xué)和理論，比如廣度優(yōu)先遍歷、動(dòng)態(tài)規(guī)劃，以及如何分析那些算法的內(nèi)存和運(yùn)行時(shí)特點(diǎn)。

課程地址：http://web.stanford.edu/class/cs161/

概率論?

CS 109

概率統(tǒng)計(jì)是許多機(jī)器學(xué)習(xí)算法的核心，學(xué)習(xí)如何解釋和分析數(shù)據(jù)，對(duì)于任何機(jī)器學(xué)習(xí)或大數(shù)據(jù)科學(xué)的領(lǐng)域來說 ，都是至關(guān)重要的。

課程地址：http://web.stanford.edu/class/cs109/

線性代數(shù)?

EE 103

涵蓋如何運(yùn)用矩陣和向量，解線性方程，應(yīng)用最小二乘法。這些數(shù)學(xué)基礎(chǔ)知識(shí)在機(jī)器學(xué)習(xí)領(lǐng)域都被廣泛使用。

課程地址：http://web.stanford.edu/class/ee103/

多維微積分?

math 51

這門課可以幫助你輕松地解開函數(shù)梯度，因?yàn)檫@是反向傳播等深度學(xué)習(xí)主力算法的核心技術(shù)。

課程地址：http://web.stanford.edu/class/math51/cgi-bin/51.php

（超神經(jīng)備注：2020 學(xué)期開設(shè)的相關(guān)課程有調(diào)整，推薦包含線性代數(shù)內(nèi)容的 math51）

?自學(xué)第二年：深入開發(fā)系統(tǒng)知識(shí)?

人工智能本科二年級(jí)學(xué)生的重點(diǎn)應(yīng)該是讓自己了解人工智能的一般原理，和解決的問題是什么，以及是如何解決的。

此外，應(yīng)該繼續(xù)理解與模型構(gòu)建相關(guān)的計(jì)算機(jī)系統(tǒng)知識(shí)，并實(shí)踐軟件工程和設(shè)計(jì)原則。為此，建議學(xué)習(xí)以下課程：

人工智能導(dǎo)論?

CS 221

涵蓋了不同的人工智能領(lǐng)域的廣泛概述，如搜索、游戲、邏輯、圖形模型、機(jī)器學(xué)習(xí)和這些算法的應(yīng)用。這樣的課程為從符號(hào)邏輯，到統(tǒng)計(jì)技術(shù)等方法的思想演變提供歷史背景。

課程地址：https://stanford-cs221.github.io/spring2020/

編譯器

CS 143

這門課的課程名稱言簡意賅：Compilers！

涵蓋編譯器背后的設(shè)計(jì)和理論，實(shí)踐從零構(gòu)建一個(gè)完整的編譯器。

編譯器是編寫的每一個(gè)程序的核心，即使對(duì)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，這樣你才能成為能力更全面的工程師。

這樣的課程將讓你了解如何構(gòu)建一個(gè)復(fù)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(gòu)良好的組件。除此之外，如果你對(duì)自然語言理解的人工智能感興趣，編譯器的設(shè)計(jì)和傳統(tǒng)自然語言處理堆棧之間的共通特性是很有趣的。

課程地址：http://web.stanford.edu/class/cs143/

數(shù)據(jù)庫導(dǎo)論

CS 145

內(nèi)容包括：數(shù)據(jù)庫管理系統(tǒng)背后的原理，重點(diǎn)諸如關(guān)系數(shù)據(jù)模型、索引、模式和事務(wù)等部分。任何現(xiàn)代數(shù)據(jù)科學(xué)家或機(jī)器學(xué)習(xí)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(gòu)方式至關(guān)重要。

課程地址：https://cs145-fa19.github.io/

并行計(jì)算?

CS 149

并行計(jì)算平臺(tái)構(gòu)成了當(dāng)今許多平臺(tái)和技術(shù)的核心，從 Apache Spark 到 GPU 等硬件。并行計(jì)算的課程介紹系統(tǒng)背后的思想，以便你更熟練地有效地使用它們。

課程地址：http://cs149.stanford.edu/fall19/

操作系統(tǒng)?

CS 140

如果你想真正擅長系統(tǒng)編程，成為一個(gè)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(gòu)建一個(gè)操作系統(tǒng)。不僅將學(xué)習(xí)如何設(shè)計(jì)操作系統(tǒng)，還將學(xué)習(xí)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，這些基本技能將是非常有意義的。

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

?自學(xué)第三年：深入探索進(jìn)階課程

在第三年，應(yīng)該專注于深入學(xué)習(xí)機(jī)器學(xué)習(xí)以及統(tǒng)計(jì)原理的特定領(lǐng)域應(yīng)用，包括自然語言處理、大數(shù)據(jù)分析和計(jì)算機(jī)視覺。以下是一些推薦的課程：

機(jī)器學(xué)習(xí)?

CS 229

涵蓋機(jī)器學(xué)習(xí)的基礎(chǔ)理論，包括監(jiān)督和非監(jiān)督學(xué)習(xí)和模型訓(xùn)練概念，如偏方差權(quán)衡、正則化和模型選擇。一定要學(xué)習(xí)這些理論并把它們學(xué)好，因?yàn)槿斯ぶ悄軓臉I(yè)者每天都在使用它們。

課程地址：http://cs229.stanford.edu/

凸優(yōu)化?

EE 364A

Convex Optimization，這門課涵蓋解決凸優(yōu)化問題背后的思想與應(yīng)用到統(tǒng)計(jì)、機(jī)器學(xué)習(xí)、信號(hào)處理和其他領(lǐng)域。雖然現(xiàn)在許多模型使用非凸目標(biāo)，但這有助于理解可處理優(yōu)化問題背后的形式。

課程地址：http://web.stanford.edu/class/ee364a/

概率圖模型?

CS 228

課程內(nèi)容包括介紹圖模型范式，它允許對(duì)隨機(jī)變量的大量集合進(jìn)行概率建模。計(jì)算機(jī)視覺和自然語言處理等各種應(yīng)用中的許多問題，都可以用概率圖模型來表達(dá)，因此了解這些知識(shí)是有幫助的。

課程地址：https://cs.stanford.edu/~ermon/cs228/index.html

數(shù)據(jù)挖掘?

CS 246

課程包括如何處理大數(shù)據(jù)集的技術(shù)和方法，尤其側(cè)重于推薦系統(tǒng)、聚類和大規(guī)模監(jiān)督機(jī)器學(xué)習(xí)等應(yīng)用領(lǐng)域。

鑒于每天都會(huì)產(chǎn)生大量新數(shù)據(jù)，人工智能從業(yè)者必須適應(yīng)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。

課程地址：http://web.stanford.edu/class/cs246/

自然語言處理?

CS 224N

介紹如何讓機(jī)器理解文本數(shù)據(jù)背后的理論和實(shí)踐。這樣的課程介紹諸如解析、命名實(shí)體識(shí)別之類的傳統(tǒng)自然語言處理中的任務(wù)，并講授如何使用諸如深度學(xué)習(xí)之類的技術(shù)來解決這些任務(wù)。

課程地址：http://web.stanford.edu/class/cs106b/

面向視覺識(shí)別的 CNN

CS 231N

《Convolutional Neural Networks for Visual Recognition》這門課，包含了現(xiàn)代深度學(xué)習(xí)體系結(jié)構(gòu)背后的理論，尤其是與構(gòu)建計(jì)算機(jī)視覺模型有關(guān)的理論。在當(dāng)今的人工智能領(lǐng)域中，想要獲得成功，擁有扎實(shí)的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)至關(guān)重要。

課程地址：http://cs231n.stanford.edu/

?自學(xué)第四年：實(shí)踐！實(shí)踐！實(shí)踐！

第四年的課程就是實(shí)踐、實(shí)踐、再實(shí)踐！

重要的事情說三遍，在你完成你的頭三年課程的時(shí)候，你對(duì)初級(jí)計(jì)算機(jī)科學(xué)和軟件工程原理，以及人工智能概念及其應(yīng)用理論有了深入了解。所以，你需要多花時(shí)間動(dòng)動(dòng)手。

找到感興趣的研究領(lǐng)域，獲取現(xiàn)有數(shù)據(jù)集（數(shù)據(jù)集下載站推薦 https://hyper.ai 或開發(fā)自己的數(shù)據(jù)集），然后開始構(gòu)建模型。學(xué)習(xí)數(shù)據(jù)處理、假設(shè)檢驗(yàn)和錯(cuò)誤分析的細(xì)微差別。學(xué)習(xí)如何對(duì)模型進(jìn)行故障排除。

想要成為一名人工智能領(lǐng)域的專家，那需要將你所學(xué)到的所有原則付諸實(shí)踐。下面是一些如何盡可能多實(shí)踐的方法：

參加校內(nèi)項(xiàng)目?

作者舉例：CS 341

一些大學(xué)會(huì)開設(shè)一些實(shí)踐課程，在這些課程中，你可以在整個(gè)課程期間深入地處理一類問題中的單個(gè)項(xiàng)目。真正深入研究項(xiàng)目的所有復(fù)雜性，我想到的一個(gè)課程是 CS 341。

課程地址：http://web.stanford.edu/class/cs341/

超神經(jīng)備注作者推薦的 CS 341 課程，與大三推薦課程 CS246 數(shù)據(jù)挖掘內(nèi)容相關(guān)，可互為輔修。

投身科研項(xiàng)目?

線下組織或技術(shù)社區(qū)

參與研究是獲得人工智能工作中，所有錯(cuò)綜復(fù)雜的實(shí)踐經(jīng)驗(yàn)的一種十分有效的方式。主動(dòng)幫助研究生完成你感興趣的課題，或者請(qǐng)求老師資助你自己的課題！通過這樣做，你會(huì)很好地了解從事人工智能課題時(shí)的日常工作情況。?

進(jìn)入行業(yè)實(shí)習(xí)?

內(nèi)推或海投簡歷

如果你的時(shí)間安排允許，可以考慮從學(xué)校請(qǐng)假到一家人工智能公司實(shí)習(xí)。許多公司都提供 3-6 個(gè)月的實(shí)習(xí)機(jī)會(huì)，讓你接觸到所學(xué)原理的實(shí)際應(yīng)用。如果你打算畢業(yè)后馬上就進(jìn)入工業(yè)界，那么沒有更好的方式來體驗(yàn)數(shù)據(jù)科學(xué)家或機(jī)器學(xué)習(xí)工程師的工作。

至此，已經(jīng)完成了一個(gè)完整的四年課程的規(guī)劃，為未來成功的機(jī)器學(xué)習(xí)或數(shù)據(jù)科學(xué)的職業(yè)生涯準(zhǔn)做好了準(zhǔn)備！不過，上述所有課程并非必須學(xué)習(xí)。

比如，結(jié)合自身情況比對(duì)列表，并選修有關(guān)課程來填補(bǔ)自己的知識(shí)或技能空白。雖然有很多東西要學(xué)習(xí)，但現(xiàn)在正是參與進(jìn) AI 大潮的重要時(shí)刻，研究領(lǐng)域廣闊，機(jī)會(huì)無限，未來大有可為。

這些課程和課程資料，其實(shí)在網(wǎng)絡(luò)上都可以獲得，制定一個(gè)合理的學(xué)習(xí)計(jì)劃只是一個(gè)開始，認(rèn)真執(zhí)行才是最重要的，有興趣的小伙伴可以加入我們的學(xué)習(xí)群，分享課程資料，找準(zhǔn)學(xué)習(xí)方向，認(rèn)識(shí)學(xué)習(xí)伙伴~

祝大家好運(yùn)，越學(xué)越有勁~

內(nèi)容來源：https://www.mihaileric.com/posts/complete-artificial-intelligence-undergraduate-course-plan/

—— 完 ——

往期精彩回顧適合初學(xué)者入門人工智能的路線及資料下載機(jī)器學(xué)習(xí)及深度學(xué)習(xí)筆記等資料打印機(jī)器學(xué)習(xí)在線手冊(cè)深度學(xué)習(xí)筆記專輯《統(tǒng)計(jì)學(xué)習(xí)方法》的代碼復(fù)現(xiàn)專輯 AI基礎(chǔ)下載機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)專輯獲取一折本站知識(shí)星球優(yōu)惠券，復(fù)制鏈接直接打開：https://t.zsxq.com/662nyZF本站qq群1003271085。加入微信群請(qǐng)掃碼進(jìn)群（如果是博士或者準(zhǔn)備讀博士請(qǐng)說明）：

總結(jié)

以上是生活随笔為你收集整理的【资源】学 AI 该学哪些斯坦福 CS 课程，这个清单安排得明明白白的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。