Stanford AI 课程地图 EN GitHub ↗
← 返回首页

Prerequisites

先修关系图

粗粒度先修关系,用于选课顺序参考,不是 Stanford 官方先修要求;具体以 ExploreCourses 和课程官网为准。

核心课 延伸课 箭头:建议先学 → 再学
起点 · 基础核心 ML方向进阶系统与应用CS 229 · 机器学习CS 229机器学习CS 221 · 人工智能:原理与技术CS 221人工智能:原理与技术STATS 202 · 统计学习与数据科学STATS 202统计学习与数据科学CS 139 · 人本 AICS 139人本 AICS 230 · 深度学习CS 230深度学习CS 231N · 计算机视觉的深度学习CS 231N计算机视觉的深度学习CS 224N · 自然语言处理与深度学习CS 224N自然语言处理与深度学习CS 234 · 强化学习CS 234强化学习CS 228 · 概率图模型CS 228概率图模型CS 236 · 深度生成模型CS 236深度生成模型CS 229M · 机器学习理论CS 229M机器学习理论CS 329Z · AI Agent 工程CS 329ZAI Agent 工程CS 224W · 图机器学习CS 224W图机器学习CS 329H · 从人类偏好中学习CS 329H从人类偏好中学习CS 224R · 深度强化学习CS 224R深度强化学习CS 336 · 从零构建语言模型CS 336从零构建语言模型CS 231A · 计算机视觉:从 3D 感知到重建CS 231A计算机视觉:从 3D 感知到重建CS 279 · 计算生物学:生物分子与细胞的结构和组织CS 279计算生物学:生物分子与细胞的结构和组织CS 277 · 医疗基础模型CS 277医疗基础模型CS 329S · 机器学习系统设计CS 329S机器学习系统设计CS 224V · 智能体 AICS 224V智能体 AICS 349E · 大规模高效 ML 推理CS 349E大规模高效 ML 推理CS 349D · AI 推理基础设施CS 349DAI 推理基础设施CS 217 · 机器学习硬件加速器CS 217机器学习硬件加速器MS&E 319 · 高效生成模型MS&E 319高效生成模型EE 292R · AI 与数据驱动的科学EE 292RAI 与数据驱动的科学MS&E 203 · 构建与评估 AI 产品MS&E 203构建与评估 AI 产品

核心课先修原文

来自课程页整理
CS 139人本 AI

无强技术先修;对 AI 产品/政策/伦理有兴趣。

CS 217机器学习硬件加速器

数字电路/计算机体系结构;VLSI 或 FPGA 经验有帮助。

CS 221人工智能:原理与技术

CS 103(或 103B/X)、CS 106B(或 106X)、CS 109、CS 161;官方明确要求“不要指望课上补这些基础”。

CS 224N自然语言处理与深度学习

微积分与线性代数;CS 124、CS 221 或 CS 229 之一。

CS 224V智能体 AI

LINGUIST 180/280、CS 124、CS 224N、CS 224S、CS 224U 之一。

CS 224W图机器学习

CS 109;一门入门机器学习课程。

CS 228概率图模型

基础概率论;算法设计与分析。

CS 229机器学习

能写 Python/NumPy 程序(CS 106A/B 级);概率(CS 109/MATH 151/STATS 116);多变量微积分与线性代数(MATH 51/CS 205)。

CS 229M机器学习理论

MATH 51;STATS 117;CS 229 或 STATS 315A。

CS 230深度学习

Python 编程;线性代数(矩阵/向量运算);CS 229 可以同时修。

CS 231A计算机视觉:从 3D 感知到重建

线性代数;基础概率统计;编程能力。

CS 231N计算机视觉的深度学习

熟练 Python/NumPy;微积分与线性代数(MATH 19/51);概率统计基础(CS 109 级)。

CS 234强化学习

熟练 Python;CS 229 或同等 ML 基础;线性代数与概率。

CS 236深度生成模型

CS 221/228/229/230 至少一门;概率与微积分;Python 编程。

CS 277医疗基础模型

CS 229/231N/224N 级 ML 基础。

CS 279计算生物学:生物分子与细胞的结构和组织

CS 106A;入门生物/生化。

CS 329H从人类偏好中学习

研究生级 ML 基础(CS 229 级);概率与优化基础。

CS 329S机器学习系统设计

CS 229/230/231N/224N 至少一门;熟悉至少一个框架(PyTorch/TF/JAX)。

CS 329ZAI Agent 工程

编程能力;LLM 基础(prompting、API 使用);有 ML 基础更好。

CS 336从零构建语言模型

强编程能力;深度学习基础(CS 224N/CS 231N/CS 230 级);需要申请,且最好有 GPU 资源。

CS 349DAI 推理基础设施

系统/体系结构/ML 基础;有分布式系统经验更好。

CS 349E大规模高效 ML 推理

计算机体系结构、操作系统、ML 基础;强编程能力。

EE 292RAI 与数据驱动的科学

无硬性先修;对 AI + 科学交叉感兴趣即可。

MS&E 203构建与评估 AI 产品

高年级本科/硕士;编程能力;课程容量约 48 人(12 队 × 4 人)。

MS&E 319高效生成模型

ML/LLM 基础;算法与系统意识。

STATS 202统计学习与数据科学

概率统计与线性代数基础;编程(R/Python)。

CS 224R深度强化学习

见官方描述(延伸课程暂未单独整理先修)。