我对人工智能和机器学习领域感兴趣，我相当擅长数学、统计学和编程。然而，我缺乏正规的CS教育，我的本科学位在一个不相关的领域。
为了能够继续攻读人工智能硕士学位，我错过了哪些传统的本科课程很重要？房间里的大象是编译器理论，我对它一无所知。
如果你正在研究文本挖掘/信息提取/NLP，那么你可能想了解词法和解析，这是编译的一部分。
例如，Lucene/Solr具有自定义查询解析器。
不，"学术和理论"和"现实世界的发展"可以相互影响。虽然，曝光永远不会受伤，对吧？
如何缩小您对数学/逻辑的关注(例如：我每天都使用关系代数(并通过访问 OpenCourseWare 和搜索人工智能来参加对机器学习至关重要的课程......它是免费的！用你的大学课程补充其余部分。
你真正的学习将是你现实生活中的决定和日常代码应用。
加快毕业时间也无妨。
我曾在编译器、人工智能和一所没有学位的大学工作过。我正在考虑获得一个，但系主任建议我不要这样做，说如果我有学位，我永远想不出我的想法。
人工智能和编译器理论之间唯一真正的交叉是处理自然语言。编译器概念(如解析、语法和词汇标记(是必需的，但在如此简化的环境中学习它们对你几乎没有帮助。
只要你熟悉由其他事物组成的事物，你就走得很好。查找句子结构，首先按字符标记(鲍勃的球，行走等(分解它，然后是词性(名词从句，动词从句(，然后是词汇概念(称为球的对象，所有权状态，投掷动作，过去的时态(时间(。
熟悉这些概念，但不要在正式编译器理论上浪费太多时间。处理解析结果时会出现有趣的东西！
我在不需要编译器理论的情况下完成了人工智能的研究生学位。
从学术角度来看，我相信帮助我为人工智能做好准备的科目是，正如你所说，统计方法、数学和编程(我相信面向对象和数据结构对这一领域帮助最大(。 除此之外，研究方法对于阅读现有的模型以及学习如何将这些模型应用于您自己的问题非常有用。
关于这个问题已经发布了一些非常好的评论。 正如尼尔所说，如果你想专注于一个特定的领域，那么对特定技能的需求将高于其他领域。 此外，Juhana提出了一个很好的观点，即大学将是有关该主题的良好信息来源，因为他们无疑将确定AI科目的先决条件。
我希望这能帮助你进入机器学习的奇妙世界！
理论可能是一门很好的基础课程。在该课程中，您将学习诸如特定问题是否有解决方案，特定问题的复杂性(NP-Hard，NP-Complete等(，图灵机(这是所有现代计算机的基础(，语言和语法，有限自动机(状态机(等。
以下是一些与计算理论有关的好维基文章：
- 计算理论
- 问题的复杂性