我曾担任过一段时间的教授，并经常就此向学生提出建议。对于机器学习博士，我认为理想的背景是：

1. 核心 CS 课程
   • 编程（通常是 3-4 门课程）。语言选择不是很重要，但 Python、C++、Java，也许还有 JavaScript，都是合理的选择，如果仅仅是因为它们的流行。
   • 核心主题：数据结构、算法、操作系统、数据库
   • 数值线性代数或数值方法
   • 先进的算法设计和分析

这些将允许您阅读和编写甚至是高度优化的 ML 算法版本的代码，并了解其中可能出现的问题。

2. AI & ML 课程，通常通过 CS 部门提供

• 广泛的 AI 调查课程（如 Russel & Norvig 的 AI:AMA），通常提供给高年级本科生。
• 应用机器学习或数据挖掘的课程。

你也可以参加其他的 AI 课程，但它们并不常见于本科生，所以很多学生等到研究生院：

• 强化学习
• 软计算
• 计算学习理论
• 贝叶斯方法
• 深度学习
• 多智能体系统
• 信息检索
• 自然语言处理
• 计算机视觉
• 机器人技术

总之，这些将为您提供最广泛的 AI 和 ML 背景。这些可以让您找到 ML 的新应用，或者根据需要将 AI 技术从一个领域引入另一个领域。

3. 统计学课程

• 一门或两学期的概率论课程，理想情况下是需要和使用微积分的版本。
• 至少一门统计假设检验课程。

更强大的是还参加以下课程：

• 回归
• 广义线性模型
• 实验设计
• 因果推理
• 贝叶斯方法

这些课程使您可以正式和舒适地对不确定性进行推理。它们还为您提供了正确的框架来回答有关您的 ML 算法是否有效以及 ML 算法发现的模式意味着什么的问题。

4. 数学课程

• 3 个学期的微积分，至少达到多元/向量微积分。
• 可选地，以微积分为基础的更高级课程，如实分析，但仅用于加强微积分概念。
• 至少 1 门，最好是 2 门线性代数课程
• 至少 1 门，最好是 2 门离散数学课程。
• 理想情况下，类似于 Knuth 等人的具体数学
• 理想情况下是高级优化技术课程
• 可选，逻辑课程，但请注意，这几乎是人工智能的一个边缘领域，与机器学习的博士学位基本上无关。您需要的部分通常包含在广泛的 AI 调查课程中。

这些课程为您提供基本的数学流畅性，以很好地理解大多数机器学习算法。

从我的脑海中大致按优先级顺序排列，不包括。数学：

实用/应用 CS：机器学习、人工智能（包括符号 AI）、数据挖掘、算法、数据结构

理论计算机科学：复杂性理论

编程：Python

逻辑与符号 AI 高度相关，但与 ML 等子符号方法无关。

对于前两个类别中提到的所有主题，您可以找到来自不同大学的免费在线讲座。

在几个项目中，我发现数据分析和数据结构至关重要。机器学习需要大量数据，而且数据很可能来自多个来源。在使用之前，数据需要分析、清理、解释、特征工程（主题专业知识）和结构。