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。
核心课先修原文
来自课程页整理无强技术先修;对 AI 产品/政策/伦理有兴趣。
数字电路/计算机体系结构;VLSI 或 FPGA 经验有帮助。
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”。
微积分与线性代数;CS 124、CS 221 或 CS 229 之一。
LINGUIST 180/280、CS 124、CS 224N、CS 224S、CS 224U 之一。
CS 109;一门入门机器学习课程。
基础概率论;算法设计与分析。
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)。
MATH 51;STATS 117;CS 229 或 STATS 315A。
Python 编程;线性代数(矩阵/向量运算);CS 229 可以同时修。
线性代数;基础概率统计;编程能力。
熟练 Python/NumPy;微积分与线性代数(MATH 19/51);概率统计基础(CS 109 级)。
熟练 Python;CS 229 或同等 ML 基础;线性代数与概率。
CS 221/228/229/230 至少一门;概率与微积分;Python 编程。
CS 229/231N/224N 级 ML 基础。
CS 106A;入门生物/生化。
研究生级 ML 基础(CS 229 级);概率与优化基础。
CS 229/230/231N/224N 至少一门;熟悉至少一个框架(PyTorch/TF/JAX)。
编程能力;LLM 基础(prompting、API 使用);有 ML 基础更好。
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。
系统/体系结构/ML 基础;有分布式系统经验更好。
计算机体系结构、操作系统、ML 基础;强编程能力。
无硬性先修;对 AI + 科学交叉感兴趣即可。
高年级本科/硕士;编程能力;课程容量约 48 人(12 队 × 4 人)。
ML/LLM 基础;算法与系统意识。
概率统计与线性代数基础;编程(R/Python)。
见官方描述(延伸课程暂未单独整理先修)。