スタンフォード大学: 人工知能に関する 4 年間の学部課程一覧

最近、数年間業界で働いているスタンフォード大学の AI 卒業生が、AI と機械学習のキャリアのために、完全な 4 年間の AI 学部基礎プログラムを設計しました。

[[388402]]

現在、彼は人工知能とコンピューターサイエンスの分野の初心者を助けたいと願い、このコースを公開しています。

1年目: 基礎を築く

AI 学位取得の 1 年目では、コンピュータ サイエンスの中核概念と現代の機械学習の基礎を学ぶことに重点を置く必要があります。コースのこの部分は、コンピュータ サイエンスの経験がない人向けに設計されています。最初の 1 年間のほとんどは、ソフトウェアとアルゴリズムの基礎を学ぶことに費やされます。重点的に学ぶべきコースは次のとおりです。

プログラミングの基礎: オブジェクト指向プログラミングとデータ構造の紹介。人工知能の実践者には、確かなソフトウェア エンジニアリング スキルが必要です。

関連コース: https://web.stanford.edu/class/cs106b/

コンピュータ システム入門: コンピュータ サイエンス システムの設計と構造を初歩的な観点から学びます。ここでは、ソフトウェアのコンパイル プロセス、コンピュータ プログラムを実行すると何が起こるか、プログラムがメモリ内でどのように編成されるかを学習することに重点が置かれます。

関連コース: http://web.stanford.edu/class/cs107/

アルゴリズム: 幅優先探索や動的プログラミングなどの広く使用されているコンピューター サイエンスのアルゴリズムの背後にある数学と理論、およびこれらのアルゴリズムのメモリと実行時特性を分析する方法について説明します。

関連コース: https://stanford-cs161.github.io/winter2021/

確率論: 確率論と統計は多くの機械学習アルゴリズムの中核を形成しており、データを解釈して分析する方法を学ぶことは、機械学習やデータサイエンスのキャリアにとって非常に重要です。

関連コース: http://web.stanford.edu/class/cs109/

線形代数: 行列とベクトルを操作し、線形方程式を解き、最小二乗法を適用する方法など、機械学習で広く使用されている数学的基礎を紹介します。

関連コース: https://stanford.edu/class/engr108/

多次元計算、関数の勾配のデバッグ、バックプロパゲーション、機械学習などは頻繁に使用されます。

関連コース: https://www.coursera.org/learn/vector-calculus-engineers

2年目: 探索フェーズ、システム知識の開発

AI の学部課程の 2 年目は、AI の一般原則とこれらの問題を解決する方法の理解に重点を置く必要があります。さらに、モデル構築に関連するコンピューター システムに関する理解をさらに深め、ソフトウェア エンジニアリングと設計原則を実践する必要があります。このセクションに推奨されるコースは次のとおりです。

人工知能入門: このコースでは、検索、ゲームプレイ、ロジック、グラフィックスなどの人工知能のさまざまな分野と、機械学習アルゴリズムのアプリケーションについて幅広く学習します。

関連コース: https://stanford-cs221.github.io/spring2020/

コンパイラ: このコースでは、コンパイラの設計と理論をカバーし、完全なコンパイラをゼロから構築することに重点を置きます。コンパイラはあなたが書くすべてのプログラムの中心であり、AI 実践者にとって、有能なエンジニアになるためにコンパイラの仕組みを理解することも重要です。このようなコースでは、コンパイラのモジュール コンポーネントに重点を置きながら、複雑なソフトウェア システムを構築する方法を十分に理解できます。さらに、AI を言語理解に適用することに興味がある場合、コンパイラ設計と従来の自然言語処理スタックの関係は微妙です。

関連コース: http://web.stanford.edu/class/cs143/

データベース入門: リレーショナル データ モデル、インデックス、スキーマ、トランザクションなどのトピックに焦点を当て、データベース管理システムの背後にある原則を紹介します。現代のデータ サイエンティストや機械学習エンジニアは、データベースの操作方法を学ぶ必要があるため、データベースを理解することは非常に重要です。

関連コース: https://cs145-fa19.github.io/

並列コンピューティング: Apache Spark から GPU などのハードウェアまで、並列コンピューティング プラットフォームは今日の多くのプラットフォームとテクノロジーの中核を形成しています。このコースでは、これらのシステムをより効果的かつ効率的に使用できるように、その背後にある考え方を紹介します。

関連コース: http://cs149.stanford.edu/fall19/

オペレーティング システム: システム プログラミングを本当にマスターして熟練したエンジニアになりたい場合は、オペレーティング システム コースを受講してください。このコースでは、オペレーティング システムをゼロから構築します。オペレーティング システムの設計方法だけでなく、優れたコード マネージャーになる方法も学習します。これらの必須スキルは、将来コードを書く必要のあるあらゆるキャリアにおいて非常に貴重です。

関連コース: http://web.stanford.edu/~ouster/cgi-bin/cs140-spring20/index.php

3年目：上級コースの勉強を始める

3 年目には、機械学習の研究を深め、自然言語処理、ビッグ データ分析、コンピューター ビジョンなどの特定の領域への統計原理の応用に重点を置く必要があります。以下に推奨コースをいくつか紹介します。

機械学習: 教師あり学習と教師なし学習、バイアス、分散、正則化、モデル選択などのモデルトレーニング関連の概念を含む機械学習の原則について説明します。この部分は、人工知能の実践者が毎日必要とするため、必ず学習する必要があります。

関連コース: http://cs229.stanford.edu/

凸最適化: 統計、機械学習、信号処理、および凸最適化を使用するその他の分野をカバーします。現在多くのモデルで非凸最適化が使用されていますが、扱いやすい最適化問題の背後にあるロジックを理解しておくと役立ちます。

関連コース: http://web.stanford.edu/class/ee364a/

確率的グラフィカル モデル: 多数のランダム変数の確率的コレクションをモデル化できるグラフィカル モデル パラダイムについて説明します。コンピューター ビジョンや自然言語処理などのさまざまなアプリケーションでは、多くの問題をグラフィカル モデルを使用して表現できるため、これらの考え方を理解しておくと役立ちます。

関連コース: https://cs.stanford.edu/~ermon/cs228/index.html

データ マイニング: 推奨アルゴリズム、クラスタリング、大規模データ セットの計算と分析に重点を置いて、大規模なデータ セットを処理するためのテクニックと手法について説明します。毎日生成される新しいデータの量を考えると、AI 実践者は、特に Spark などの最新のツールキットを使用して、データを適切に操作および分析できる必要があります。

関連コース: http://web.stanford.edu/class/cs246/

自然言語処理: このコースでは、テキスト データを機械に理解させるための理論と実践を紹介します。このコースでは、解析などの従来の自然言語処理タスクの概要を説明し、ディープラーニングなどの技術を使用してこれらのタスクを処理する方法を教えます。

関連コース: http://web.stanford.edu/class/cs224n/

畳み込みニューラル ネットワークと CV: 特にコンピューター ビジョン モデルの構築に関して、最新のディープラーニング アーキテクチャの背後にある理論について説明します。ニューラル ネットワークの強固な基盤を持つことは、現在の人工知能の分野にとって非常に重要です。

関連コース: http://cs231n.stanford.edu/

4年目：実践経験が必須

4 年目には、練習、練習、そしてまた練習を繰り返す必要があります。最初の 3 年間の学習を通じて、コンピューター システムと人工知能の概念とアプリケーションを明確に理解できます。したがって、次に、興味のある問題と方向性を見つけ、既存のデータ セットを取得 (または独自のデータ セットを開発) し、モデルの構築を開始する必要があります。データ操作、仮説検定、エラー分析のニュアンスを学び、モデルのトラブルシューティング方法を学びます。

効果的な AI エキスパートになるには、学んだ理論をすべて実践する必要があります。その実践方法をいくつか紹介します。

プロジェクト コースを受講する: 一部の学校では、プロジェクト全体を詳細に学習する必要があるこのタイプのコースを提供しています。このコースはそういうタイプです。

関連コース: http://web.stanford.edu/class/cs341/

研究に参加する: 研究を行うことは、複雑な AI 作業に関する実践的な経験を得るための非常に効果的な方法です。興味のあるプロジェクトで大学院生を手伝ったり、メンターに自分のプロジェクトを後援するよう依頼したりします。こうすることで、現在の AI 実践者の日常業務がどのようなものかを学ぶ機会が豊富に得られます。

業界でインターンシップをする: 時間が許せば、学校を休んで AI 企業で 3 ～ 6 か月間インターンシップをすることを検討してください。そこでは、学んだ理論的な知識が現実世界でどのように応用されているかを見ることができます。卒業後すぐに業界に入る予定であれば、この方法に勝るものはありません。

この時点で、完全なコース設計が完了し、機械学習またはデータサイエンスのキャリアの基礎が築かれたと言えます。上記のリストを確認し、自分の概念/スキルのギャップを埋めるためのコースを受講してください。学ぶべきことはたくさんありますが、人工知能に興味がある限り、失うものは何もないと思います。