如何读懂人工智能学位的课程设置

一个人工智能学位的页面上，可能列着一长串亮眼的话题：机器学习、自然语言、计算机视觉、机器人和智能系统。真正的问题是，其中哪些科目你会去读、按什么顺序读、读到多深。

把课程设置当作一条学习路线来读。从适用于你入学阶段的规定开始，梳理必修科目的顺序，再看考核如何把科目知识转化为实际能力。这样比较课程时，你就不容易被时髦的名称分散注意力。

从官方课程页面开始，再顺着链接找到课程手册、课程地图和科目说明。例如，莫纳什大学的人工智能硕士（Master of Artificial Intelligence）页面就为学生链接了课程手册和课程地图的信息。请使用与你入学年份对应的文件。

记下校区、入学批次、学习方式和入学途径。基于以往学习而缩短的课程，起点可能与完整课程不同。在没有核实同样的规定也适用于你之前，不要照搬别的学生的课程地图。

检查清单

• 适用于我入学年份的最新课程规定。

• 与我的入学途径对应的课程地图。

• 必修和选修科目清单。

• 先修要求和开课安排。

• 科目的学习成果和考核信息。

如果下一年的详细课表还没公布，把还没弄清的开课问题标出来，留给课程团队解答。

从基础到进阶读这条顺序。下面的分类是一个核查工具，并不是每个人工智能学位都必须遵循的固定结构。

没有一门单独以某个话题命名的科目，并不能证明这个话题不存在。搜一下学习成果和考核说明，看看它是否被融入了别的科目。

「描述」「实现」「评估」「设计」要求学生做的事情不同。一门介绍人工智能概念的科目，不等同于一门要求你实现某种方法并论证其表现的科目。

找出每项说法背后要考核的活动。你会去讲解一个算法、使用现成的库、比较不同方案，还是设计一个实验？这些都可能有用，但比重应当与你的目标和起点相匹配。

不要只凭软件名称判断深度。一门课程可能只用一个工具，却能教会可迁移的思路；而一长串工具，可能每个都练得不多。

在笔记里画一条简单的顺序：哪门科目必须先读完，才能读下一门？再核实每门科目在你需要的学期是否开课。先修要求可能让一门看起来很不错的选修课，在你的具体路线上根本选不了。

这是一个示例，不是在描述某个具体课程。请用你自己课程手册里的数字，也不要以为其他大学使用同样的学分体系。

还要分清不受限制的选修课，和只能在批准清单里挑选的选修课。问清楚某门专业科目是否一定开课、是否视选课人数而定，或者是否在别的校区开设。

一套有用的课程设置，应当让你能问出：系统的输出是怎样测试的、可能在哪里失效，以及负责任地使用它需要什么。在学习内容和考核中，找找数据质量、恰当的比较方法、隐私、偏见、安全，以及如何说明局限。

对于生成式人工智能相关的内容，问清楚学生是否要评估输出结果、理解失效模式，而不只是做演示。出现一个新工具的名称，远不如学生必须用它完成的工作有参考价值。

仔细查看毕业项目。谁来定题目？你感兴趣的方向有没有导师指导？有没有先修要求或选拔规定？你必须提交哪些个人成果？如果项目使用外部数据，问一下你能否在作品集里展示部分成果。

当项目的范围、指导和考核与你想培养的技能相匹配时，它才最有用。

对候选清单上的每个学位，写下三项有必修内容支撑的优势和两个尚未解决的问题。在每一点后面注明依据的科目或规定，方便以后回头核对。

不要因为一门你还选不到的选修课，就给一个课程打满分。如果某项特点对你的决定至关重要，请课程团队针对你的路线和入学批次给出确认。最后你应该得到一份自己看得懂的学习计划，而不只是一份更长的、看起来很吸引人的话题清单。