学 AI 该学哪些斯坦福 CS 课程，这个清单安排得明明白白

CS 106 是斯坦福计算机课程中的经典课程，内容包括面向对象程序设计、数据结构（集合、图等）知识，这些都是人工智能从业者需要的基础软件工程技能。

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

从底层角度来思考计算机科学系统是如何设计和构成的。其中，课程重点在于学习软件编译过程，当你运行程序时会发生什么，在内存中程序是如何组织的等。

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

该课程涵盖广泛使用的算法背后的数学和理论，比如广度优先遍历、动态规划，以及如何分析那些算法的内存和运行时特点。

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

概率统计是许多机器学习算法的核心，学习如何解释和分析数据，对于任何机器学习或大数据科学的领域来说 ，都是至关重要的。

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

涵盖如何运用矩阵和向量，解线性方程，应用最小二乘法。这些数学基础知识在机器学习领域都被广泛使用。

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

这门课可以帮助你轻松地解开函数梯度，因为这是反向传播等深度学习主力算法的核心技术。

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

（超神经备注：2020 学期开设的相关课程有调整，推荐包含线性代数内容的 math51）

涵盖了不同的人工智能领域的广泛概述，如搜索、游戏、逻辑、图形模型、机器学习和这些算法的应用。这样的课程为从符号逻辑，到统计技术等方法的思想演变提供历史背景。

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

这门课的课程名称言简意赅：Compilers！

涵盖编译器背后的设计和理论，实践从零构建一个完整的编译器。

编译器是编写的每一个程序的核心，即使对人工智能从业者来说，理解它们的工作原理也是很重要的，这样你才能成为能力更全面的工程师。

这样的课程将让你了解如何构建一个复杂的软件系统，着重于模块化的、经过文档化和测试的、架构良好的组件。除此之外，如果你对自然语言理解的人工智能感兴趣，编译器的设计和传统自然语言处理堆栈之间的共通特性是很有趣的。

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

内容包括：数据库管理系统背后的原理，重点诸如关系数据模型、索引、模式和事务等部分。任何现代数据科学家或机器学习工程师，都必须在某种程度上与数据库交互，因此了解它们的组织架构方式至关重要。

课程地址：https://cs145-fa19.github.io/

并行计算平台构成了当今许多平台和技术的核心，从 Apache Spark 到 GPU 等硬件。并行计算的课程介绍系统背后的思想，以便你更熟练地有效地使用它们。

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

如果你想真正擅长系统编程，成为一个更熟练的工程师，那就去上一门操作系统课程，在这门课程中，你必须从头开始构建一个操作系统。不仅将学习如何设计操作系统，还将学习如何成为一名精通 Debug 代码的程序员。在未来的人工智能职业中，这些基本技能将是非常有意义的。

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

涵盖机器学习的基础理论，包括监督和非监督学习和模型训练概念，如偏方差权衡、正则化和模型选择。一定要学习这些理论并把它们学好，因为人工智能从业者每天都在使用它们。

课程地址：http://cs229.stanford.edu/

Convex Optimization，这门课涵盖解决凸优化问题背后的思想与应用到统计、机器学习、信号处理和其他领域。虽然现在许多模型使用非凸目标，但这有助于理解可处理优化问题背后的形式。

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

课程内容包括介绍图模型范式，它允许对随机变量的大量集合进行概率建模。计算机视觉和自然语言处理等各种应用中的许多问题，都可以用概率图模型来表达，因此了解这些知识是有帮助的。

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

课程包括如何处理大数据集的技术和方法，尤其侧重于推荐系统、聚类和大规模监督机器学习等应用领域。

鉴于每天都会产生大量新数据，人工智能从业者必须适应大规模操作和分析数据，特别是通过使用 Spark 这样的现代工具包。

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

介绍如何让机器理解文本数据背后的理论和实践。这样的课程介绍诸如解析、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。

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

《Convolutional Neural Networks for Visual Recognition》这门课，包含了现代深度学习体系结构背后的理论，尤其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，想要获得成功，拥有扎实的神经网络基础至关重要。

课程地址：http://cs231n.stanford.edu/

一些大学会开设一些实践课程，在这些课程中，你可以在整个课程期间深入地处理一类问题中的单个项目。真正深入研究项目的所有复杂性，我想到的一个课程是 CS 341。

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

超神经备注作者推荐的 CS 341 课程，与大三推荐课程 CS246 数据挖掘内容相关，可互为辅修。

参与研究是获得人工智能工作中，所有错综复杂的实践经验的一种十分有效的方式。主动帮助研究生完成你感兴趣的课题，或者请求老师资助你自己的课题！通过这样做，你会很好地了解从事人工智能课题时的日常工作情况。 

如果你的时间安排允许，可以考虑从学校请假到一家人工智能公司实习。许多公司都提供 3-6 个月的实习机会，让你接触到所学原理的实际应用。如果你打算毕业后马上就进入工业界，那么没有更好的方式来体验数据科学家或机器学习工程师的工作。