實時更新飛瑞敖最新動態(tài)，了解飛瑞敖
最近，一位在行業(yè)內(nèi)工作了幾年的斯坦福人工智能畢業(yè)的專業(yè)人士為自己的人工智能和機器學(xué)習(xí)的職業(yè)生涯，設(shè)計一個完整的 4 年制人工智能本科學(xué)位基礎(chǔ)課程。
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(xué)領(lǐng)域的新手提供幫助。
第一年：打好基礎(chǔ)
在取得人工智能學(xué)位的第一年，你應(yīng)該專注于學(xué)習(xí)計算機科學(xué)和現(xiàn)代機器學(xué)習(xí)基礎(chǔ)的核心概念，在這部分課程里，就是專門為沒有計算機科學(xué)方面的經(jīng)驗的人準(zhǔn)備的。第一年的大部分時間應(yīng)該花在軟件和算法基礎(chǔ)知識上，你應(yīng)該關(guān)注的課程包括：
編程基礎(chǔ)知識：介紹面向?qū)ο蟮木幊碳皵?shù)據(jù)結(jié)構(gòu)。人工智能從業(yè)人員需要具有扎實的軟件工程技能。
計算機系統(tǒng)概論：從初級的角度學(xué)習(xí)計算機科學(xué)系統(tǒng)的設(shè)計和結(jié)構(gòu)。這里的重點是學(xué)習(xí)軟件編譯過程，執(zhí)行計算機程序時會發(fā)生什么，以及如何在內(nèi)存中組織程序。
算法：涵蓋了廣泛使用的計算機科學(xué)算法(例如廣度優(yōu)先搜索和動態(tài)編程)背后的數(shù)學(xué)和理論，以及如何分析這些算法的內(nèi)存和運行時特性。
概率論：概率論和統(tǒng)計學(xué)構(gòu)成許多機器學(xué)習(xí)算法的核心，學(xué)習(xí)如何解釋和分析數(shù)據(jù)對于任何機器學(xué)習(xí)或數(shù)據(jù)科學(xué)事業(yè)都是至關(guān)重要的。
線性代數(shù)：介紹如何處理矩陣和向量，求解線性方程式以及應(yīng)用最小二乘法，這些數(shù)學(xué)基礎(chǔ)廣泛應(yīng)用于機器學(xué)習(xí)。
多維微積分，調(diào)試函數(shù)的梯度，反向傳播以及機器學(xué)習(xí)，這些都是經(jīng)常用到的。
第二年：探索階段，發(fā)展系統(tǒng)知識
在人工智能大學(xué)本科學(xué)習(xí)的第二年重點應(yīng)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(yīng)該繼續(xù)加深對模型構(gòu)建相關(guān)的計算機系統(tǒng)的理解，并練習(xí)軟件工程和設(shè)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(lǐng)域的廣泛調(diào)查，比如搜索，游戲，邏輯以及圖像還有機器學(xué)習(xí)算法的應(yīng)用。
編譯器：此課程涵蓋了編譯器背后的設(shè)計和理論，理想情況下著重于從頭開始構(gòu)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(yè)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(gòu)建復(fù)雜的軟件系統(tǒng)，重點關(guān)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(yīng)用于語言理解，那么編譯器的設(shè)計和傳統(tǒng)的自然語言處理堆棧之間的關(guān)系是很微妙的。
數(shù)據(jù)庫導(dǎo)論：介紹數(shù)據(jù)庫管理系統(tǒng)背后的原理，重點介紹關(guān)系數(shù)據(jù)模型、索引、模式和事務(wù)等主題。任何現(xiàn)代數(shù)據(jù)科學(xué)家或機器學(xué)習(xí)工程師都必須學(xué)會如何與數(shù)據(jù)庫交互，因此了解他們是至關(guān)重要的。
并行計算：從Apache Spark到gpu等硬件，并行計算平臺構(gòu)成了當(dāng)今許多平臺和技術(shù)的核心。這門課程會介紹這些系統(tǒng)背后的思想，這樣你就能更熟練有效地使用它們。
操作系統(tǒng)：如果你想真正掌握系統(tǒng)編程，成為一名熟練的工程師，那就去上一門操作系統(tǒng)課程，在這個課程中，你將從零開始構(gòu)建一個操作系統(tǒng)，你不僅將學(xué)習(xí)如何設(shè)計操作系統(tǒng)，還將學(xué)習(xí)如何成為一名優(yōu)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(yè)生涯中都是無價的。
第三年：開始高級課程學(xué)習(xí)
在第三年，你應(yīng)該專注于深入學(xué)習(xí)機器學(xué)習(xí)，以及統(tǒng)計原理在特定領(lǐng)域的應(yīng)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(xué)習(xí)：涵蓋機器學(xué)習(xí)的原理，包括監(jiān)督和非監(jiān)督學(xué)習(xí)和模型訓(xùn)練相關(guān)概念，比如偏差、方差，正則化以及模型選擇，這部分一定要學(xué)習(xí)，因為它們每天都需要被人工智能從業(yè)者用到。
凸優(yōu)化：涵蓋了統(tǒng)計、機器學(xué)習(xí)、信號處理和其它使用凸優(yōu)化的領(lǐng)域，雖然現(xiàn)在許多模型都使用非凸優(yōu)化，但是了解易于處理的優(yōu)化問題背后的邏輯是有幫助的。
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(yīng)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。
數(shù)據(jù)挖掘：涵蓋如何處理大型數(shù)據(jù)集的技術(shù)和方法，重點關(guān)注推薦算法、聚類以及大規(guī)模的數(shù)據(jù)集計算與分析，考慮到每天產(chǎn)生的新數(shù)據(jù)量，AI從業(yè)者必須能夠熟練地操作和分析數(shù)據(jù)，特別是通過使用Spark等現(xiàn)代工具包。
自然語言處理：介紹了如何讓機器懂得文本數(shù)據(jù)的理論和時間，這樣的課程應(yīng)該提供傳統(tǒng)自然語言處理任務(wù)的概述，如解析等，并教你如何使用深度學(xué)習(xí)等技術(shù)處理這些任務(wù)。
基于CV的卷積神經(jīng)網(wǎng)絡(luò)：涵蓋了現(xiàn)代深度學(xué)習(xí)體系結(jié)構(gòu)背后的理論，特別是關(guān)于構(gòu)建計算機視覺模型的理論。擁有扎實的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)對當(dāng)下的人工智能領(lǐng)域相當(dāng)重要。
第四年：實踐經(jīng)驗必不可少
第四年你應(yīng)該要練習(xí)、練習(xí)、再練習(xí)，通過前三年的學(xué)習(xí)，你已經(jīng)對計算機系統(tǒng)和人工智能概念、應(yīng)用有了清楚的理解，因此，接下來你應(yīng)該找到自己感興趣的問題和方向，獲取現(xiàn)有數(shù)據(jù)集(或開發(fā)自己的數(shù)據(jù)集)，并開始構(gòu)建模型。學(xué)習(xí)數(shù)據(jù)操作、假設(shè)檢驗和錯誤分析的細微差別，學(xué)習(xí)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(xué)到的所有理論付諸實踐，下面是一些如何獲得實踐的方法：
參與研究：做研究是一種十分高效的方式，可以讓你在復(fù)雜的人工智能工作中獲得實際經(jīng)驗。幫助研究生完成你感興趣的項目，或者讓導(dǎo)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(dāng)下人工智能從業(yè)者的日常工作是怎樣的。
做一份行業(yè)內(nèi)實習(xí)：如果時間允許，考慮從學(xué)校請假一段時間，到一家人工智能公司實習(xí)，可以是3-6個月，在那里你可以接觸到你所學(xué)的理論知識是如何在現(xiàn)實世界中應(yīng)用的，如果你打算一畢業(yè)就進入該行業(yè)，沒有什么比這種方式更好的了。
至此，你已經(jīng)學(xué)完了一個完整的思念課程設(shè)計，可以說已經(jīng)為你在機器學(xué)習(xí)或數(shù)據(jù)科學(xué)職業(yè)生涯奠定了基礎(chǔ)。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(xué)習(xí)，但是只要你對人工智能感興趣，相信這都不斷什么。
