绝对干货推荐-人工智能本科学位的完整4年课程规划( 二 ) _人工智能

§并行计算：并行计算平台构成了当今众多平台和技术的核心，从 Spark到硬件（例如GPU）。一门并行计算课应该介绍这些系统背后的思想，以便读者更加熟练地有效使用它们。相关课程：CS 149（）。
§操作系统：如果读者想真正地擅长于系统编程并成为一名更熟练的工程师，请参加一个操作系统课程，在该课程中，读者必须从头开始构建操作系统。读者不仅将学习如何设计操作系统，还将学习如何成为有效的调试器和代码争用者。这些基础技能对于读者以后每天必须编写代码的任何未来的人工智能事业来说都是无价的。相关课程：CS 140（~/cgi-bin/cs140-/index.php）。
第三年：深入学习高级课程
在本科的第三年，读者应该专注于在机器学习以及统计原理的特定领域应用（包括自然语言处理，大数据分析和计算机视觉）方面进行深入研究。以下是一些推荐的课程：
§机器学习：涵盖机器学习的原理，包括有监督和无监督的学习以及模型训练的概念，例如偏差方差折衷，正则化和模型选择。一定要学习这些思想并很好地学习它们，因为人工智能从业者每天都在使用它们。相关课程：CS 229（）。
§凸优化：涵盖解决凸优化问题的思想，并将其应用于统计，机器学习，信号处理和其他领域。尽管当今许多模型使用非凸目标，但了解可处理的优化问题背后的形式主义是有帮助的。相关课程：EE 364A（）。
§概率图形模型：涵盖了图形模型范式，该模型范式允许概率性地对大量随机变量集合进行建模。可以使用图形模型来表达诸如计算机视觉和自然语言处理之类的各种应用程序中的许多问题，因此了解这些想法会有所帮助。相关课程：CS 228（~ermon/cs228/index.html）。
§数据挖掘：涵盖有关如何处理大型数据集的技术和方法，尤其侧重于推荐系统，集群和大规模监督式机器学习等应用。考虑到每天都会产生大量新数据，对于AI从业者来说，必须能够轻松地大规模地处理和分析数据，尤其是通过使用Spark这样的现代工具包。相关课程：CS 246（）。
§自然语言处理：介绍使机器理解文本数据的理论和实践。这样的课程应该概述诸如解析和命名实体识别之类的传统自然语言处理中的任务，并讲授如何使用诸如深度学习之类的技术来解决这些任务。相关课程：CS 224N（）。
§用于计算机视觉的卷积神经网络：涵盖了现代深度学习体系结构背后的理论，特别是与构建计算机视觉模型有关的理论。在当今的人工智能领域中，神经网络具有扎实的基础对于成功至关重要。相关课程：CS 231N（）。
第四年：实战经验至关重要
本科第四年唯一重点应该全是练习，练习，练习！到开始的头三年，读者将对低级计算机科学和软件工程原理以及人工智能概念及其应用背后的理论有深入的了解。在这一点上，想花点时间试试手了。
找到读者感兴趣的问题，获取现有数据集（或开发自己的数据集），然后开始构建模型。了解数据处理，假设检验和错误分析的细微差别。了解如何对模型进行故障排除。
成为专业的人工智能专家需要将读者学到的所有原理付诸实践。以下是一些如何尽可能多地练习的选项：
§参加项目课程：一些大学提供课程，读者在课程的整个过程中严格解决问题空间中的单个项目。这些课程非常好，因为读者有时间真正深入研究项目的所有复杂性。我想到的此类课程的一个示例是CS 341（）。
§参与研究：进行研究是一种获得人工智能所有复杂工作经验的惊人方式。提供帮助研究生完成读者感兴趣的项目，或请教职指导者赞助读者自己的项目！通过这样做，读者将可以很好地了解从事人工智能项目时的日常情况。