人工智能还是数据科学：比较课程内容

人工智能和数据科学有重叠，尤其是在机器学习方面。这种重叠会让两个学位的介绍听起来几乎一模一样——即使它们的必修科目和毕业项目相差很大。

真正有用的问题，不是哪个名称听起来更高级，而是哪套课程能给你打下合适的基础，并让你在想做的工作上得到足够的练习。做决定之前，把课程结构、科目大纲和项目规则放在一起读。

想象一个你会乐于完成的项目。你更想构建一个能识别图像的系统、去调查某个预测为什么出错，还是分析运营数据来支持决策？每项任务都可能同时用到两个领域，但它能给你一个有用的起点。

写下你希望毕业时具备的三项能力，比如准备一个可靠的数据集、评估一个预测模型，或者实现一个智能应用。然后去找能培养这些能力的必修科目和考核。

顺着你的兴趣去读科目大纲，再看必修内容在多大程度上支撑你的每个目标。

把下表当作阅读指南，而不是两个学科之间的固定分界。具体课程的侧重点可能不同。

莫纳什大学分别开设了人工智能硕士（Master of Artificial Intelligence）和数据科学硕士（Master of Data Science）。把官方课程页面和链接的课程手册当作一对真实的课程去研究，而不要以为这两个名称描述的是同样的学习计划。

把入学要求和最早的几门必修科目放在一起读。课程是从入门编程教起，还是要求你一开始就会用？统计课程是从概率概念讲起，还是默认你已经学过？

找出实际要做的任务：写函数、处理数据表、理解向量、解读分布、检验假设。课程手册说得不清楚的地方，问问推荐的准备内容。

如果你之前已经学过不少相关内容，核实一下学分减免是否会免掉入门内容，以及会不会改变你剩下的选课。如果你是跨专业，优先选择基础课程连贯的课程，而不是进阶选修列表看起来很诱人的课程。

在你自己的学习计划里数一数有几个选修名额。科目目录里可能列着许多吸引人的科目，而你的学位只允许选其中几门。先修要求、校区开课情况和课表安排，还可能进一步缩小选择范围。

用一个虚构的例子检验其中的差别：一门课程列出了十门专业选修课，但只允许选两门，那么对一个学生来说，它提供的并不是十门专业训练。你的比较应该只算你实际能选到的那两门。

不要在学分体系不同的大学之间直接比较学分总数，而要比较你的课程中每个领域所占的比例，以及考核内容的深度。

找出你本人会产出的成果：代码、分析报告、已部署的原型、一项实验或一项研究。毕业项目的题目只是开始。

对于人工智能项目，问清楚学生是否必须用有意义的失败案例测试系统，并解释它的局限。对于数据科学项目，问清楚学生是否要处理数据质量、验证和不确定性，而不是只报告一个有利的结果。这些问题对两个学科都有用。

核实个人考核和小组考核的比重。如果课程宣传有行业项目，弄清楚项目怎样分配、能得到哪些指导、有没有选拔条件。如果项目数据需要保密，也问一下你能在作品集里保留或讨论哪些内容。

列一份两栏的候选清单，标出直接支撑你那三项目标能力的必修科目，再标出不足：也许一个选项的数学课程更扎实，另一个选项的应用项目支持更好。

不要只凭名称硬做选择。对机器学习感兴趣的学生，可能适合读数据科学；想大量和数据打交道的人，也可能适合读人工智能。真正决定是否合适的，是必修课程。

最后问自己一个实际的问题：「哪个选项能让我在自己准备好的学习程度上，展示出我想做的工作？」让这个答案落到具体的科目、考核和现实的选修选择上。