Course Overview

数学基础

微积分

梯度下降法几乎是所有深度学习算法的基础，而它使用的正是微积分中高维函数的导数的概念，并且在概率论、随机过程、优化理论等课程中也会大量使用微积分，所以熟练掌握它是必须的基本功之一。MIT 的 18.01 / 18.02 课程非常适合用于入门，让你免于大量做题的头疼，专注于微积分的本质。

线性代数

线性代数是人工智能中相当重要的一部分，因此我花了大量的时间进行学习。你可以聆听 Strang 老教授的 MIT 18.06 课程，以著名的 Introduction to Linear Algebra 为教材来学习线性代数。

离散数学

集合论、数理逻辑基础、图论基础都是接下来的学习中所必须的知识，在这门课程中，你可以将它们一网打尽！我所采用的资料是上海交大殷翔老师的讲义，不过由于版权原因，我并不能放出这门课的作业和考试试题，所以你也可以选择斯坦福大学的 CS103 课程，这门课的内容是上述讲义的超集，也很值得一听；又或者同时讲授了离散数学和概率论的 UCB CS70？

数学进阶

概率统计

概率统计也是人工智能的重要基础课程之一，因此非常有必要认真学习。我使用了 MIT 的 RES.6-012: Introduction to Probability 这门课程进行概率论方面的学习。

随机过程

近几年流行的 diffusion model 就使用了一种特殊的随机过程“扩散”（diffusion），如果你对这方面感兴趣的话，随机过程也是绕不开的一门数学课。不过我也没找到适合计算机专业的课程，只找到了上海交大开设的一门偏向数学的课程 AI2613。

优化理论

编程基础

Python

如今几乎所有的人工智能代码都使用了 Python 作为编程语言，因此熟练地掌握 Python 是每一个学习 AI 的学生必备的技能，强烈推荐 CS61a 来进行学习，不过对这门课来说，拥有了一定的代码基础后再来学习可能效果更佳吧，比方说先学学 CS50P？

C++

虽说现在的 AI 领域，Python 占据了几乎全部江山，但在人工智能库的一些底层代码中，仍然使用的是 C 或 C++ 语言（以提高运行速度，例如 Pytorch 的底层代码就是由 C++ 实现），因此也需要进行 C 和 C++ 的学习。斯坦福大学的 CS106B 是一个比较好的选择。

数据结构与算法

虽说人工智能领域涌现出了大量的新算法，但是掌握传统的算法仍然非常有必要，它们可以帮助你更好地分析、设计、改进新的算法，让你面对 AI 算法时不至于一头雾水。我使用伯努利大学的 CS61b、斯坦福大学的 CS161 两门课程进行学习，同时参考了俞勇教授和翁惠玉教授所写的《数据结构：思想与实现》，以及《算法导论》这两本书。

机器学习

机器学习基础

Stanford CS229 这门课由吴恩达教授讲授，质量上乘，我跟随它学完了基础的机器学习算法，同时又参考 CS 189/289A 中的内容进行了补充，口感甚佳。

深度学习

这几年深度学习如火如荼，以至于提到人工智能大家就会想到深度学习。你可以选择学习 Stanford CS230，李宏毅机器学习或者动手学深度学习这几门课程来进行入门。另外，我在大一下学期加入了实验室进行学习，师兄们为我推荐了许多深度学习相关的博客、教程。我将这些内容整理后梳理出了一条独特的深度学习入门路线，也许并不适合所有同学，故仅仅作为一个参考。

计算机视觉

怎么让计算机“看懂”照片上的内容？人脸识别是怎么实现的？图片生成又是怎么一回事？Umich 大学的计算机视觉课程可以为你部分解决这些问题。这门课同时也是很好的 Pytorch 教程，非常值得一看。

自然语言处理

23 年大火的 GPT 系列模型着实让人震惊，这背后也少不了自然语言处理（nlp）的功劳。斯坦福大学的 CS224n 是一门较好的 nlp 入门课程，不过它假定你已经掌握了 Pytorch 的使用，需要先了解 Pytorch 基本用法后才能学习。