我拥有机械工程硕士学位。然而，在我的工作中，我越来越深入地研究信号处理和数据科学的主题。我发现在从事项目工作时发现新主题并在旅途中学习非常棒。在我学习期间，我有一些基础课程，我可以在此基础上继续学习。但有时我想知道是否会更容易，也更有趣，例如在我想学习的主题上做第二个大师或类似的事情。我认为如果我愿意，我的雇主会支持我，而且我过去喜欢学习，我认为这可能是一次很棒的经历。
那么问题来了，哪种类型的课程/学习更适合？理想情况下，它会涵盖与我的工作/兴趣相关的主题*，能够参与兼职，在线（或在中欧分块授课）并包含协作元素（我不想只是学习和工作我自己没有互动）。
*我最近处理的一些我想进一步了解的主题：
我已经将您的主题分组为更大的整体主题。
请注意，这里有很多重叠，除了实际上使它在微处理器中工作可能的例外（除了 - 在我看来，实现某事的最佳人是理解它的人。所以 - 重叠）。
具体来说，您可以声称这都是应用数学。或所有信号处理。你甚至可以稍微扩展一下这个列表并将其嵌入到控制理论中，但这并不容易。
美国高等教育系统的一个弱点是所有这些科目都将用于工程部门，但它们都是真正的应用数学。所以不同的大学会对它们进行不同的分组，而且很难找到一个涵盖所有这些的项目。我不确定这是否适用于你住的地方。我碰巧最终 - 运气比设计 - 在一个机构，让我在相关学科获得足够的基础，我可以自己学习其余的（伍斯特理工学院 - 这是一个很棒的地方）。
我建议你通过找到一个大学课程来解决这个问题，其中包括你需要在这方面打下基础的课程，并获得你的第二个硕士学位。不要指望在硕士课程中学习所有这些——我可以声称这个列表的大约 90%，但其中大约一半是我在过去三年中在工作中学到的东西。
要查找的课程如下。请注意，您不会有时间全部使用它们，因此您需要进行选择。如果你想成长为你的完整列表，请尽可能多地学习数学并期望进行自学：
我不确定在实施方面有什么建议——这基本上是另一个专业。我只是在路上自己捡到的。但是，我一开始是一个套件，对电子产品和微处理器板有兴趣，所以我在 13 岁时就已经在做基本的嵌入式编程。然后当我获得 EE 学位时，任何涉及数字电路的课程要么“哦，是的，我已经做到了”，或者“哦！多么简洁的正式方式来完成我直观地挣扎的事情”。
以下本科讲座作为基础：
1-) 信号和系统（奥本海姆的书）
2-）概率和随机过程（凯的书）
3-) 线性反馈系统（Ogata 的书）
但是，它们可能属于理论性的（没有实际重点），并且还包含比专业应用所需的更多的材料。例如，仅仅为了设计一些数字滤波器，就可以采用一种几乎完全独立的方法来总结必要的代数；你真的不需要那些整本书来设计基本的数字滤波器或学习小波。
类似地，尽管卡尔曼滤波器需要统计信号处理和控制理论基础，但仍然可以学习它们的工作原理，以及如何设计和实现基本的卡尔曼材料，而无需参加此类课程。一些有经验的朋友可以帮助您了解如何处理它们，而无需真正了解盒子的内部。
所以你真的需要在这些事情上经验丰富的人给你私人课程。