Dado que su objetivo es la investigación de aprendizaje automático, supongo que tiene todos los antecedentes de la división inferior en informática, matemáticas y estadísticas.
- CS188: Introducción a la Inteligencia Artificial. El primer div superior que recomiendo es tomar CS188: introducción a la IA. Esto es más una base para la IA y sus campos relacionados.
- Stat 134: Introducción a la probabilidad. Si no tiene una probabilidad súper fuerte, le sugiero que tome la Estadística 134, que es la clase div superior básica en Probabilidad que le brinda la técnica básica y las herramientas que necesita para la investigación de ML, ya que ML utiliza mucha probabilidad.
- CS281A / Stat241A: Teoría estadística del aprendizaje. Creo que esta es una clase de nivel de graduación imprescindible para la investigación de ML. Enseña muchas técnicas avanzadas en modelos gráficos como redes bayesianas, algoritmo de suma de productos / árbol de unión, árbol de decisión / bosque aleatorio, algoritmo EM, estimación MLE / MAP, distribución de Dirichlet, etc.
- CS281B. Esta clase no se ofrece tan a menudo. Es un seguimiento más mejorado de 281A
- Aprendizaje Bayesiano enseñado por Michael Jordan. Si está particularmente interesado en las redes bayesianas, le recomiendo tomar esta clase. Michael Jordan es probablemente el mejor investigador de ML en la actualidad. Su campo principal es la Red Bayesiana. Esta es una clase muy difícil.
- Cualquier clase impartida por Michael Jordan o Martin Wainwright. Son los mejores profesores de ML en Berkeley. Si no conoce el caballo, apueste por el jinete.