人工智能硕士研究生课程有哪些

雷锋网 AI 科技评论按：这是一个 AI 爆发的时代，从研究，到应用，再到教育。随着机器学习，尤其是深度学习在许多复杂问题中大获成功，大量企业开始把机器学习技术用在自己的业务中，相关专业的学生和教授在用人市场上变得分外吃香。有需求就有供给，教育界也进一步顺应社会需求，开始设立专门的人工智能本科专业，为这个朝气蓬勃的方向培养更多可用之才。比如北京航空航天大学去年 9 月宣布设立人工智能专业；南京大学则于今年 3 月宣布组建人工智能学院，下设「机器学习与数据挖掘」、「智能系统与应用」两个本科专业方向；哈工大也在今年 5 月 5 日成立了哈工大人工智能研究院，承担科研任务的同时培养 AI 人才。是否需在高中设立人工智能相关课程都已经引发了讨论。不只是国内高校动作迅速，实际上，美国卡内基梅隆大学（CMU）日前也宣布设立了美国首个人工智能本科专业，今年秋天就开始招生。CMU 计算机系官网已经发出声明人工智能专业来到 CMU被誉为「人工智能大本营」的 CMU，不仅在依据论文数目评估的计算机科学顶级学校排名（CSRankings）和综合评估的 US News 高校排名中名列人工智能方向第一，在自动驾驶、人脸识别、自然语言处理方面做出了许多开创性的研究，更切切实实地以大批知名教授培养了众多优秀的硕博士生在整个计算机领域发光发热。CMU 的计算机学院名气之盛、影响力之大，以至于调侃科技企业去学校挖人挖的太狠的时候，都首当其中地说「CMU 的计算机学院都要被挖空了」。（对此，CMU 计算机科学学院机器学习系主任 Tom Mitchell 在雷锋网 AI 科技评论的采访中表示：如果企业招走了很多人，我们就培养更多人）对于新设立的人工智能本科专业，CMU 计算机科学学院院长 Andrew Moore 在 CMU 官方新闻稿中说道：「人工智能方面的专家从未如此重要、如此短缺、如此被企业渴求。有很多些学生已经认识到了 AI 的力量可以用来帮助别人，而 CMU 在 AI 方面有无可比拟的深入经验，这让就我们尤其地有资格直面这些需求。」根据此次新的人工智能专业负责人、机器人和计算机科学研究教授 Reid Simmons 介绍，人工智能本科专业的培养目标是让学生可以广泛地思考各种不同学科中的任务应该如何解决，学习内容的重点是如何根据视觉、语言、大规模数据库之类的复杂输入进行决策或者增强人类的能力。与其他计算机学院的学生一样，人工智能专业的学生也需要经过充分、扎实的计算机和数学知识学习。所有计算机学院的学生共同学习了核心的计算机科学课程和一些其他入门课程后，大二时就可以选择人工智能、计算机科学或者计算生物学中的一个方向作为自己的本科专业，选择了人工智能方向的学生会有额外的统计和概率、计算建模、机器学习以及符号化计算课程。Reid Simmons 教授还补充道，道德和社会责任也将会是这个专业方向强调的内容，包括如何用 AI 为整个社会带来福利的独立研究。「并不只是简单地提供 AI 相关的课程，对我们来说这也是一个展示的机会，展示一下人工智能专业塑造的人才到底应该是什么样的。」人工智能专业本科生的课表详细的专业课课表也已经发布在了 CMU 计算机系官网上，四年中需要学习包括数学和统计核心课程、计算机科学核心课程、人工智能核心课程、道德、AI 细分方向、人类学和艺术、一般科学和工程学等大类的至少 30 门课程。四年中的固定课程如下。大一命令式计算原理；功能式编程原理；微积分；矩阵与线性变换；积分与逼近；计算机科学的数学基础 / 数学的概念，二选一；解释与声明；计算学；计算机科学中的重要理论思想；大二人工智能：表征与解决问题简介；计算机系统简介；并行与串行数据结构与算法；计算机科学的概率论 / 概率与计算，二选一；机器学习简介；道德选修课一门；大三计算机视觉简介 / 自然语言处理简介，二选一；现代回归理论；固定的课程当然只是一小部分，从大二开始有一般科学和工程学选修课（选修四门）、人类学和艺术选修课（选修七门），从大三开始有 AI 细分方向可选课程（包含决策和机器人、机器学习、感知和语言、人类与人工智能交互四个方向，每个方向选修一门）。除此之外还需要学习 5 门自由选修课程。人类学和艺术选修课包括：认知心理学；人类信息处理与人工智能；感知；人类记忆；视觉认知；认知建模；语言与思维；人类和机器的学习；道德选修课包括：新生研讨会：人工智能与人性；计算中的道德和政策问题；AI、社会与人性；决策和机器人方向的 AI 选修课程包括：神经计算；事实、正义与算法；认知机器人；AI 的策略推理；机器人的规划技巧；移动机器人编程实验室；机器人运动学和动态学；规划、执行和学习；机器学习方向的 AI 选修课程包括：深度强化学习和控制；机器学习文本挖掘；高级数据分析；深度学习简介；感知和语言方向的 AI 选修课程包括：搜索引擎；语音处理；计算性感知；计算性图像；视觉传感器；人类与人工智能交互方向的 AI 选修课程包括：设计人类为中心的系统；人类-机器人交互；从人群中学习；智能产品和服务设计工作室；可以看到，课程设置中除了正常地涵盖了数学、计算机和人工智能的基础课程之外，不仅有单独的道德课程，甚至还要学习多达 7 门的人类学和艺术课程。这一方面符合了「CMU 的强项是计算机和艺术」的传闻，另一面似乎也反衬出国内的理工科教育缺少对于人类自己、技术与人类的关系的辨析和反思。另外， 作为本科生的课程设置，广阔的知识面、多学科交叉内容的安排也对本科阶段的思维锻炼和未来的继续深造大有裨益。根据 CMU 计算机学院的公告，现阶段人工智能专业的招生规模计划为 30~50 名学生每年（整个计算机学院为 735 名新生每年）。专业成立后，今年秋天一部分已经学习了足够数量相关课程的大二大三学生就可以申请转向人工智能专业了。Tom Mitchell 教授今年秋天也会开始教授其中的一门深度强化学习和控制课程，对于申请机器学习相关硕士和博士的同学，Tom Mitchell 教授的建议是掌握扎实的数学和编程能力。而现在对于本科生，我们相信数学仍然是不可以放松的，只不过，数学对于我们中国人来说，并不是什么大问题，对吧？via School of Computer Science, CMU，雷锋网 AI 科技评论报道

目前一部分高校在本科阶段开设了人工智能专业，从课程体系结构来看，主要分成四大部分，第一部分是基础学科部分，主要涉及到数学和物理相关课程；第二部分是计算机基础课程，涉及到编程语言、操作系统、算法设计等课程；第三部分是人工智能基础课程，涉及到人工智能基础、机器学习、控制学基础、神经科学、语言学基础等内容；第四部分涉及到人工智能平台相关知识。由于人工智能是典型的交叉学科，所以人工智能专业需要学习的内容还是相对比较多的，而且学习难度也相对比较大，因此如果在本科阶段选择人工智能专业需要具有较强的学习能力。由于人工智能专业的学习过程对于学习环境有较高的要求，所以开设人工智能专业的高校往往都会有专门的数据中心、计算中心，以便于为学生提供数据和算力的支撑。人工智能目前有六大研究方向，涉及到计算机视觉、自然语言处理、机器人学、自动推理、机器学习和知识表示，这些研究方向之间也存在比较紧密的联系，目前计算机视觉、自然语言处理和机器学习这三个方向的热度相对比较高。由于不同的高校往往有不同的资源整合能力，在人工智能领域也有一定的侧重点，所以在选择具体学习方向的时候，应该结合所在高校的实际情况，尽量选择学科实力比较强的方向，这样会有一个更好的学习体验。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言，或者私信我！

瑞昌市实验小学通过开设人工智能特色课程，培养和锻炼学生的创新思维与实践能力。近年来，该校学生多次在各类人工智能设计比赛中获奖。图为学生在演示人脸识别技术。【来源：江西日报】声明：转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益，请作者持权属证明与本网联系，我们将及时更正、删除，谢谢。 邮箱地址：newmedia@xxcb.cn

人工智能是近几年备受大众关注的一个话题。相关产品也在国家大力扶持的推动下纷纷落地，图像识别技术(例如人脸识别、车牌自动识别等)、语音识别技术(例如智能音箱产品、手机智能助手等)、 智能搜索(例如谷歌、百度等)都是人工智能的技术展现。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能的火爆也带动了人工智能的学习浪潮，有不少的朋友在网络上不断搜罗人工智能相关的学习方式及内容，在此小编就给大家科普一下，人工智能专业需要学习那些技术。人工智能培训需要这些技术目前为止，比较好的人工智能培训课程包括了MTCNN、CENTER LOSS人脸侦测和人脸识别;YOLO V2多目标多种类侦测;GLGAN图像缺失部分补齐;NLP智能应答;语言唤醒等内容。这些都是人工智能行业中最实用的知识点，但是很多人工智能培训机构课程内容上都不专业。市面上有很多“以次充好”需要仔细辨认由于人工智能人才的匮乏，很多机构只能退而求次寻求一名Python讲师或大数据讲师，然后在网络上搜罗一些人工智能方面已经开源的DEMO级案例讲解，对学员加以展示，而涉及到算法部分时，粗略的一笔带过，更不要说像前面所说的MTCNN等偏实用性的技术内容。因此在挑选人工智能培训机构时，要仔细观察其课程内容，咨询其专业性问题，这样才能去伪存真，挑选出来真正的优质培训机构。专注人工智能的机构才能带来专业的培训当下，市面上的人工智能培训机构众多，市场鱼龙混杂，在挑选时需要慎重。小编向大家推荐一家人工智能培训机构，猎维科技人工智能培训。这是一家以人工智能应用技术为主要研究的方向的科技企业，为响应国家大力发展人工智能的号召，开展人工智能培训。除了专业实用化的课程设置以外，导师均为企业一线资深算法工程师，他们的人工智能技术实用技巧可以给学员很大的帮助。除此之外，企业自主研发的或与权威机构合作开发的商业级项目也像学员开放，在项目实战中将理论知识融会贯通。

作为一名教育领域的工作者，同时大数据和机器学习也是我的主要研究方向，所以我来探讨一下这个问题。随着人工智能领域的发展，整个科技行业对于人工智能专业人才的需求量在持续加大，传统的研究生教育方式已经不能满足巨大的市场需求，所以人工智能人才的教育必然会向本科教育下沉，目前一小部分教育资源比较丰富的高校（以双一流高校为主）陆续开设了人工智能专业。人工智能的本质是获取知识、创造知识并合理运用知识达到某种目的的能力，而且是一种通用的能力。从体现结构上来说，人工智能系统有三个大的组成部分，分别是感知系统、智力系统和行动系统，当然还离不开环境的支持。感知系统和行动系统需要物联网的支持、智力系统需要大数据和云计算的支持，所以人工智能是一个典型的交叉学科。从知识体系结构上来说，人工智能目前的研究内容集中在六大方面，包括计算机视觉、自然语言处理、机器学习、机器人学、自动推理和知识表示，目前计算机视觉领域和自然语言处理领域已经成长了一批具有较强竞争力的科技企业。从人工智能专业的课程设置来看，重点包括三个部分，其一是基础学科，重点是数学和物理；其二是计算机基础知识，重点是操作系统、计算机网络、算法设计和数据结构等内容；其三是人工智能基础知识，涉及到人工智能基础概念、推理和求解、知识表示、感知、通讯和行动等几个大的部分。虽然目前人工智能领域的热度比较高，一部分智能体也开始走进生产环境，但是人工智能行业依然处在初期阶段，还有大量的课题有待攻克，所以选择人工智能专业最好读一下研究生。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以在评论区留言！

人工智能为远程教育的智能化提供了有力的技术支撑。格物斯坦认为：通过运用专家系统、自然语言处理、人工神经网络、机器学习等技术，跟踪学习者的思维路径及其解决问题的潜在目标结构，诊断和评估学习者的理解域，对学习者提供及时的指导、反馈和解释，通过平台大数据的分析以合适的难度水平和最适当的内容来规划学习活动，进一步促进高效学习行为的发生。语音识别还可以应用于更广的教学方向，语文的认字，文章的朗读，小语种学习等，最想说是音乐学习领域。能够帮助用户快速直接的提升唱歌水平。目前没法现特别好的音乐学习APP。教育娱乐类未来可能趋势，幼儿教学类的APP肯定会逐渐游戏化，（字节已经开始布局），使用终端会慢慢想电视大屏靠近，在同等条件下，95%的父母会选择电视让宝宝观看。成人教育类APP会越来越垂直，尤其语音学习课程也会越来越贵，成人基本不会选择电视进行学习。人工智能在教育领域更多的是应用于学校教学和远程教育等方面。人工智能教育应用使教育资源内容更加丰富，教学方式更为灵活，教学环节和流程得到了优化。如Z+Z智能教学系统、智能导师系统、智能自适应学习系统及机器人DIY等在教育中的应用，充分考虑学习者的个体差异，协助教师更好地进行因材施教，优化和创新了教学方式；实现了O2O混合式个性化教学，创造了新的教育生态。同时在教学过程中，人工智能为智慧教育提供了技术支撑，如智能批改、基于案例的推理等新兴的机器学习为教育注入了新鲜的血液。机器阅卷减轻了教师的负担，教师能够腾出更多的时间和精力关注学生互动、教学设计、专业发展和教育质量。通过研究发现, 近年来国内教育技术界对于人工智能教育教学应用的技术开发研究关注度较高 ,研究范围也比较广泛, 涉及教育教学活动的诸多环节 , 具体集中在以下几个方面。人工智能被人们定位为即将到来的第四次技术革命。从这一新技术的内涵来看，其革命性不仅表现为技术自身的进阶，而且比以往任何一次技术革命更触动人的心灵，甚至可能导致人与技术关系的异变。人工智能在教育中的应用目前还只是一种趋势，但我们可以基于教育系统的需求和人工智能的潜力对未来做出预测。综上所述，整体地看，人工智能的应用，一方面能带来更高的教育效率和更好的教育效果，另一方面也可能带来教育者的精神危机和教育过程的教育性损减。但我们相信，人类的理性足以引导自己最大限度地从人工智能中获益，同时最大限度地回避人工智能可能带来的风险。

首先，当前人工智能专业虽然是新设立的专业之一，但是由于产业领域对于人工智能人才的需求量比较大，所以人工智能专业目前也受到了广泛的关注，从大的发展趋势来看，未来随着工业互联网的发展，未来人工智能专业毕业生的就业前景还是非常广阔的。当前不同高校在课程的设置上会结合自身的资源整合能力而有所不同，总体上除了基础学科之外，还涉及到三大部分内容，其一是计算机类课程，这部分涉及到编程语言、操作系统、算法设计等内容，不少高校会结合自身的实际情况来为学生增加一些实践类课程，从就业的角度出发，人工智能专业的同学应该重视计算机基础知识的学习。其二是人工智能基础理论类课程，这部分课程的内容非常多，涉及到机器学习、计算机视觉、自然语言处理和机器人学等相关内容，由于人工智能的技术体系比较庞大，所以这部分内容也相对比较多，而且也有一定的学习难度。按照历史经验来看，要想有一个比较好的学习体验，应该积极参与一些科研实践活动。其三是人工智能行业应用类课程，这部分课程与具体的学校关系比较大，有的高校会与大型科技公司进行合作，课程也会基于一些人工智能平台来展开，比如有的高校会开展自动驾驶类课程，而有的高校则会开展人脸识别类课程等等，这部分内容的学习对于就业有比较大的影响。最后，从当前行业领域的人才需求情况来看，当前选择人工智能专业，最好继续读一下研究生。我从事互联网行业多年，目前也在带计算机专业的研究生，主要的研究方向集中在大数据和人工智能领域，我会陆续写一些关于互联网技术方面的文章，感兴趣的朋友可以关注我，相信一定会有所收获。如果有互联网、大数据、人工智能等方面的问题，或者是考研方面的问题，都可以私信我！

如今，人工智能成为科技和商业领域最热门的话题，而数据科学领域则是作为其工作原理的基础大放光彩。数据科学的课程现在都包含了强大的人工智能，一些机构也已经在提供人工智能专业的本科学位。越来越多的学院和大学开设了这些课程，这表明了整个行业的期望，对于那些接受过正规培训和认证的人来说，将会有一个充满回报的机会。虽然人工智能和数据科学这两门先进学科现在已是大多数计算机科学本科学位的一部分，但只有在研究生阶段，学生才能真正开始发展自身的专业技能。一些世界上最好的以技术主导闻名的学院和大学都提供了这些学科的专业硕士学位课程。近日，福布斯网站发布了一份“2021 年十大最佳人工智能和数据科学硕士项目”榜单，榜单作者是政府和公司的战略商业和技术顾问 Bernard Marr，这也是最佳数据科学“本科课程”列表的后续文章。Bernard Marr 表示，这些大学或学院，都是这个研究领域的世界领导者，同时也是硅谷企业在前沿项目上的合作者。在这个水平上学习数据科学和人工智能，会让你在雇主眼中成为一个很大肯在技术专长上超过只有计算机科学学士学位求职者的人，这也可能是迈向博士学位的一步。但如果你的兴趣不是技术性的，而是以商业为导向的，那么也有一些 MBA 课程出现在人工智能领域，这也值得考虑。以下为榜单内容：1、麻省理工学院—商业分析硕士能在世界领先的科技学校学习数据和机器学习的实际应用课程，将会是你在该领域开启高级教育征程的好地方。对于任何一门硕士课程，通常会要求你先取得相关领域的本科学位，例如计算机科学或数学，但是通常会在这些精确的要求上添加一些灵活性。而另一条符合条件的途径是，你是否能在这个领域获得丰富的工作经验。麻省理工学院的硕士学位与大多数其他硕士一样，需要12个月的时间来完成，其目标是让学生获得知识和经验，开始与企业合作并解决他们的问题。2、斯坦福大学—统计学硕士：数据科学斯坦福大学是另一所技术上世界领先的美国大学，在具有全球意义的人工智能研究领域名闻遐迩，同时还传授给学生强大的实践技能，激发AI开发潜力。由于本课程专攻“以计算为中心的数据科学”，因此可以被认为比商业硕士更具理论性。该课程涵盖科学家和工程师的高级软件开发、多核计算和统计理论。然而，选修课可以在以下应用领域学习，包括数据驱动医学、神经成像技术、地统计学和社交媒体分析。3、卡内基梅隆—计算数据科学硕士卡内基梅隆大学是另一个美国著名学府，它在人工智能和数据科学方面的研究和成就举世闻名。这份榜单虽然并非是只针对美国的，但不可否认的是，美国在数据科学和人工智能方面有很多世界排名靠前的大学。在这里，你将站在Herbert Simon 和 Allen Newell这样举世闻名的科学家的肩膀上，而他们是现代人工智能开发的两位伟大先驱。4、伦敦帝国理工学院—商业分析硕士这一灵活的课程经常跻身于世界十大大学之列，通过商学院提供一年制、全日制或两年制的兼职课程，实现了学生的远程学习。课程包含大数据管理、分析算法和数据可视化技术。学生们也有机会在实习期间完成部分课程，并接受培训，以旁听咨询的身份在商业领域处理数据科学问题。5、巴斯大学—数据科学硕士英国的另一所卓越的数据中心是一所发展极为迅速的大学。其课程教授机器学习和高级分析算法所需的基本软件技能。数据科学软件技能模块还包括评估软件包和编程语言对实际任务的适用性。该课程的重点是核心能力和基础知识，而不是其他课程所涵盖的更实际的方面，并且学生可以选择在第二学期的研究任务中从事应用领域的工作。6、多伦多大学—应用计算理学硕士：数据科学在这所技术领先的加拿大技术类大学攻读应用计算硕士学位的学生可以专注于数据科学这一轨道。多伦多大学将实践作为课程的一部分，因此你有机会参加为期8个月的技术实习，在那里你开始将你正在学习的知识用于解决大数据、人工智能以及分析学的现实世界问题。7、赫尔辛基大学—数据科学硕士芬兰投入巨资培训本国学生，使其做好充分利用人工智能和数据科学这一大爆炸的准备，而其中大部分工作就是通过赫尔辛基大学进行的。在那里，学生可以选择专攻与机器学习、计算机视觉和高级分析相关的技术领域，或者是选择这些技术对应的实际应用。学生们将学习评估数据科学、AI技术和实践，以便将其与合适的任务相匹配，并将通过世界一流欧洲院校的高级学位极大地发展他们的就业前景。8、巴黎综合理工大学—商业数据科学理学硕士这所位于巴黎的商业和技术领先的学院提供了两年制硕士课程，专注于满足全球企业对具备训练有素特质的数据科学专业人员的需求。其明确的目标是培养具备技术和商业知识的双技能毕业生，并能领导行业数据和智能计算积极性。第一年的重点是统计学、数学和计算机编程，然后学生开始学习解决实际问题的技能，其中就包括使用数据和算法来解决商业挑战。9、清华大学—高级计算硕士中国目前在人工智能的发展方面已经处于世界领先地位，这所位于中国首都北京的大学硕士学位是国内人工智能和数据科学领域最受推崇的学位之一。实际上，语言障碍不会是该领域知识交流的首要问题，因为所有课程都是用英语授课的。该课程包含独自探索以及从一些国内最著名的专家那里深入了解机器学习、大数据和人机交互等主题，同时还与微软、IBM等与大学研究人员合作的大公司合作。10、香港大学—数据科学硕士香港大学计算机科学与统计与精算学院联合办学，被誉为亚洲学术研究的领先中心之一。无论是全职学习时间超过18个月，还是兼职时间超过30个月，学生都将获得机器学习和数据分析方面的专业技能。并且还能深入研究实际应用，包括社交媒体中数据的作用以及云计算的发展。作者简介：武汉维识教育科技有限公司专注于人工智能、机器人工程、智能制造、云计算、大数据、区块链、信息安全、互联网营销、健康护理等多领域、多层次「新工科」「新职业」人才培养与输送。公司立足湖北科教大省，辐射全国，提供专业共建、师资培训、联合实验室、科研项目合作、实习实训就业、职业技能培训等整体解决方案。同时与诸多产业领军企业建立战略合作关系，融合产业先进技术，为金融、医疗、教育、安防、交通、零售、制造、农业等行业用户，提供多维解决方案。在全国众多院校、企业、研究机构、投资界等多方合作发展中发挥纽带作用，为推动相关领域人才培养和产业发展贡献力量。

最近我从吴恩达的深度学习课程毕业了，非常自豪，秀一波~去年年底，我学完了Udacity的深度学习纳米学位课程（DLND）。今年2月份，我又上完了吴恩达的深度学习课程。作为我自己创建的AI硕士学位学习的一部分，我目前已经读完了70%的Udacity的人工智能纳米学位课程（AIND）。之所以写这篇文章，始于Quora上的一个问题。因为我在这两门课程，以及DLND课程方面都有学习经验，所以我打算回答一下这个问题。简单说一下两边都学！如果你想提高应用级的技能，那么我强烈推荐这两门课程。去年，我没有编程知识，也从未听说过深度学习这个术语。感谢这些课程，我现在每周都在建立国际一流水平的深度学习模型。以下是我学习课程的顺序。Udacity深度学习纳米学位课程Udacity人工智能纳米学位课程（偏向传统AI）吴恩达Coursera的深度学习课程【当前】Udacity人工智能纳米学位课程（偏向深度学习）假如给我重来一次的机会，我会选择以下顺序来学习。吴恩达Coursera的深度学习课程Udacity深度学习纳米学位课程Udacity人工智能纳米学位课程（偏向传统AI）Udacity人工智能纳米学位课程（偏向深度学习）为什么？吴恩达的深度学习课程采取了深入浅出的教学方法。这是我学习的最好方式。Udacity的课程质量非常高，但通常会直接进入高级项目。这是学习的好方法，但是如果你没有基础知识，会非常困难。如果你已经有了深度学习和机器学习的基础知识，或者已经是一个基础扎实的Python程序员，Udacity的人工智能纳米学位课程可能是你开始的理想场所。为什么要学这两门？跨界知识。学完两门课程后，我发现它们彼此互补。吴恩达的课程薄弱的地方，AIND很强大，反之亦然。昨天发生了一个真实的例子。我在AIND NLP capstone项目中遇到了一个问题，是与文字嵌入有关的问题。我在论坛上发帖说我无法理解文字嵌入。感谢Vadim同学的帮助！在Vadim的建议下，我重新回顾深度学习课程专讲文字嵌入的视频。此前，为了找我能理解的内容，我已经在网上苦苦搜了几个小时。注意：不要忽视你已经学过的材料！最后，它们都是很棒的课程。如果你必须选一个，我建议选深度学习课程。“安德鲁大法师”的教学风格有一些真的直击心灵啊！较长的答案对于那些有兴趣深入了解我的学习经历的人，请继续阅读。我把它分成八类。1.成本和时间：这些课程不是免费或容易的。2.先决条件：在开始之前你需要什么。3.获取支持：当你卡住时该怎么做。4.课程质量：材料有多好？5.提交项目：你的工作内容发生了什么变化？6.课程结构：课程如何发挥作用？7.未来的选择：学完后能做什么？8.其他学习资源：还有哪些其他学习资源？1.成本和时间深度学习课程需要每月64澳元的订购费用（约50美元）才能访问。每门课程用时大约1个月。这意味着五个月你要花费大约250美元。如果你学得很快，可以在1个月内完成。我的目标是用3个月时间拿下它，现实是，不到两个月我就学完了。DLND需要预付750澳元（约合580美元）。你必须在4个月内完成和DLND相关的所有项目，否则就要续费。Udacity的人工智能纳米学位课程是三者中学习时间最长，也是最昂贵的。它包括两段为期3个月的学习，每段学费1000澳元（约775美元）。根据我的经验，Udacity的课程每周至少需要15-20小时（有时更多）的学习才能保持正轨。另一方面，我能够完成深度学习课程，每天学习6-8小时，坚持一周，主要是因为我很适应吴老师的教学方法。2.先决条件每门课程都把Python的中级知识作为先决条件。一些数学知识是必需的，但Python应该是你的重点。如果你能阅读GitHub上的Python脚本，并了解至少60％的情况，那么你可以很好地适应这些课程。如果Python是你的薄弱点，那在开始之前，还是勤加练习一下吧。当我开始学习DLND时，我已经学了三周的Python。在此之前，我从未进行过编程。前几个月我还如坠苦海，但随着信心增长，最终准时完成。当然，我仍然认为自己是一个Python新手。至于数学，高中时我对微积分、线性代数和几何的理解足以完成课程。这是因为大部分数学都是在TensorFlow和Keras库的背后进行的。高中毕业后，我就没学过一门数学课程。如果我的数学知识无法理解某个特定的概念，我就去可汗学院学习，提升自己的数学技能。如果你想学AI或深度学习博士课程，那么必须掌握数学技能。不过，如果要用从这些课程中学到的技能来构建应用级的AI，不需要深入了解背后的数学知识。如果再给我一次重学的机会，那我不会在开始之前学那么长时间Python。3.获取支持学每门课程时，我遇到了很多障碍。我发现支持服务很有用。DLND和AIND有自己的Slack频道和专用论坛。两个Slack频道内还有其他几个不同主题的频道。有时候，Slack频道可能会有点吵闹这两种渠道都有成千上万的人，大多数主题至少有几百个用户。导师也经常主持“ask me anything sessions”（AMA’s）的活动，并浏览这俩渠道，回答任何问题。根据我的经验，Slack频道非常吵闹。除了发布我自己的问题或者寻找有同样问题的人，我不会使用它。论坛则是完全不同的体验。我很少提问，因为我遇到的很多问题，论坛上已经有人提了。答案并不总是很清楚，但如果很清楚，就不叫学习了。如果我被困住了，那我会在闷头解决自己的问题之前，逛逛论坛，从脑海里先构建一些想法。深度学习课程的论坛和上述论坛类似。主要区别在于用户不能直接从任务中发布代码，但伪代码没问题。我发现这里的论坛足以解决我的问题。当你注册AIND后，会被系统分配一位导师。我的导师名叫Ayushi，她是印度的软件工程师。导师在必要时会提供一些支持，很多时候，当与Ayushi谈论我面临的问题时，问题似乎已经解决了。不要怀疑自己的能力，大声讨论你的问题，而且永远不要害怕寻求帮助。提问时，最好有效地表达出来。解释清楚你面临的问题，让其他人更好地帮助你。这是我正在做的事儿。4.课程质量每门课都是世界一流的。我经常说这些是我学过的最好的课程。DLND分为六个部分，其中五个部分附有重要项目。简介。神经网络：创建你的第一个神经网络。卷积神经网络：建立一个犬种分类器。循环神经网络：使用神经网络生成电视剧。生成对抗网络：建立脸部生成器。深度强化学习：教四轴飞行器如何飞行。[新]每个项目都专注于为你提供某种深度学习技巧的实践经验。如果你以前没有做过太多的Python编程，它们将很难实现，但并非不可能完成。注意：第6节是DLND的新增内容，我尚未尝试。吴恩达的深度学习课程分为五个部分。神经网络和深度学习。改进深度神经网络：超参数调整，正则化和优化。构造机器学习项目。卷积神经网络。序列模型。我认为第2、3项课程非常棒。其他课程在结构上与DLND提供的类似。课程第4、5项让我加深了对DLND内容的掌握程度。AIND课程包括两个部分：第1部分侧重于传统的AI方法，第2部分侧重于深度学习。在第2部分开始前，对于那些从未接触过深度学习的人来说，提供了一个桥接课程。我已经完成了DLND课程，可以跳过这一步。第1部分建立一个游戏代理：采用对抗性搜索和启发式评价相结合的方法构建数独求解与隔离游戏代理。实施规划搜索：使用规划图启发式方法建立航空货运物流系统。设计手语识别系统：使用隐马尔可夫模型识别手语手势。如果你没有学过DLND，那AIND的第2部分也会包括以上内容，你可以选择其中一项购买。我已经完成DLND，所以我可以访问以上三个。第一部分的内容对我来说很难。我虽然已经学习了深度学习和其他机器学习技术，但由于缺乏编程能力，所以学得很吃力。注意：以上内容可能已更改，请务必通过电子邮件向Udacity支持发送说明。第2部分计算机视觉集合:使用深度学习和OpenCV构建面部关键点检测系统。自然语言处理集合:建立机器翻译模型，将英语翻译成法语。[我目前学到这里]语音识别系统：建立一个语音检测系统。在每个集合内，你都可以参加一系列小型项目和讲座，直到项目完成。目前，我正在学习第2部分的自然语言处理集合的内容。最近，我一直在练习实施自然语言处理流程（文本预处理、特征提取和建模）的步骤。所有这些都是为机器翻译项目做准备。5.提交项目DLND和AIND提交项目非常相似。通过Udacity教室，你可以使用代码提交项目文件或链接到GitHub。在24小时内，评论员会回复你。但是，这不是普通的评论。评论员通常会在你的代码中留下几条评论，并提供反馈或建议，以帮助你了解更多信息。我无法对评论员进行足够的评论。我总是期待听到他们的观点。对于深度学习课程，所有项目和小测验都会自动标记。这很节省时间，因为你可以立即获得结果，但是，你看不到建议，了解不了更多信息，也不知道在哪里进行改进。6.课程结构Udacity的课程会将简短的演讲（大部分在2-8分钟之间）与完整的信息图结合起来。而在线的基于Python的编程测验通常会涉及一个重要的主题。在完成项目之前，他们还会提供一个预热项目作为实践（并非必选）。例如，在完成机器翻译项目之前，AIND的NLP集合课程提供了情感分析项目作为练习。吴恩达的深度学习课程的结构，与他机器学习课程的非常相似。5分钟以下的视频很少见，平均约为10分钟。我以1.5倍速度观看了它们。吴老师使用一系列幻灯片进行教学。在介绍一个主题时，他经常在幻灯片上写下例子，并讨论背后的想法。在每个系列讲座结束时，学生需要完成一个非编程的多选题测验。测验涵盖了讲座中的理论知识，少数问题需要进行一些数学计算。通过测验后，你可以使用Jupyter笔记完成编程作业。每个编程任务需要80分或更多才能通过。如果你遇到关于项目或任何课堂材料的问题，论坛就是你的朋友。7.未来的选择完成课程后，有时候可能不知道自己下一步要做什么。至少，这是我的感受。显而易见，答案是运用你学到的东西。但是如何运用？博客文章每当你有空的时候，记得写作。写下你学到的东西，将有助于巩固你的想法。与他人分享你的作品将有助于他们的学习。公开你的写作也会让别人评论你的想法，这是另一个宝贵的学习机会。制作视频也许写作不是你擅长的，但你可能有一个相机。谈论你学到的东西跟写作一样好。视频不一定需要最好的质量。在摄像头前说话有助于培养你的演讲技巧。在任何情况下向其他人讲述你所知道的情况。分享你学到的东西。在HackerRank或Kaggle上练习HackerRank和Kaggle都提供了大量的资源，帮助你练习学到的技能，并帮助你学习新技能。Kaggle非常乐意接受数据科学、机器学习和深度学习项目的实践经验。你甚至可以在上面建立自己Kaggle大师的美名。许多顶尖的Kaggle选手进入数据科学领域后，都不会遇到什么问题。HackerRank更专注于帮你提高编码技能。它提供不同的编码挑战，同时记录你所做的一切，填充你的简历，帮助你向未来雇主展示能力。建立一些东西你有自己的想法吗？使用你学到的技能来实现它。将它分享给其他人，他们也可能会发现它的价值。如果失败，请与他人分享你从创建过程中学到的东西。如果成功了，恭喜你！所有这些都促成了一件事。当老师。你花了大量精力学习有价值的东西，并遇到很多障碍。别人怎么能避免你的错误？他们如何从中获得经验？注意：我仍在做这些事！8.其他学习资源AI在线学习空间正在爆炸式增长。信息太多，我们很难知道要注意什么。就我而言，完成AIND后，我关注了fast.ai。之后，我一直在关注Coursera的数据结构和算法专业课程，以弥补自己编程能力的不足。对于学AI的你，我“墙裂”推荐以下资源。Siraj Raval的YouTube视频如果你有更多好资源，热烈欢迎在留言区分享。总结如果你追求的是高难度的技能，那么尽可能完成所有的课程，并通过教别人知识或建立一些东西，来实现你学到的内容。如果你想快速进入人工智能领域，并想了解每个深度学习模型需要什么，以及它的能力，那么从Coursera的深度学习课程开始。无论你决定要做什么，请记住，学习东西本质上是很难的。当你觉得困难的时候，想一想自己为什么要开始。更新（2018年3月29日）：写完这篇文章后，Udacity彻底改变了他们的AI课程。本文许多具体细节（课程价格/材料）可能不完全适用，但学习的原理和下一步做什么仍然是有用的。作者：Daniel Bourke智能观 编译—完—亲爱的朋友：后台经常有读者留言，咨询该从哪里入手，学习深度学习相关课程。这篇文章对学习过程介绍得详细明了，我们整理出来，分享给你，希望对想学习的你有所帮助。祝安！智能观 一米2018-4-7 于北京中关村声明：编译文章旨在帮助读者了解行业新思想、新观点及新动态，为原作者观点，不代表智能观观点。