Artificial Intelligence & Machine Learning
人工智能与机器学习
专业简介
人工智能与机器学习（Artificial Intelligence & Machine Learning）是计算机与信息科学下的二级专业，主要关注研究机器学习、知识表示、智能代理、计算机视觉、自然语言处理及自主智能系统，常见项目方向包括AI、Machine Learning、Computer Vision、NLP。申请时通常需要结合课程结构、研究或实践资源、职业路径与国际学生支持进行综合评估。
第1章 人工智能/机器学习专业发展概况
1.1 专业定义与学科定位
人工智能（Artificial Intelligence）与机器学习（Machine Learning）是计算机科学领域中发展最快、应用最广的前沿学科。AI/ML旨在构建能够模拟、延伸和扩展人类智能的理论、方法与技术体系，涵盖感知、认知、推理、决策和交互等核心能力。
从学科定位来看，人工智能/机器学习硕士项目通常由以下院系设立：
计算机科学系（CS）：最具代表性，如卡内基梅隆大学（CMU）的MSAII、斯坦福大学的MSAI
电子与计算机工程系（ECE）：侧重机器学习算法、信号处理与硬件加速
统计与数据科学系：强调机器学习理论基础、贝叶斯方法与因果推断
交叉学科项目：MIT Media Lab、Stanford ICME等跨学科研究机构
学科定位说明
人工智能不同于传统的软件工程，其核心差异在于对数据驱动学习和智能决策的深度探索。AI/ML毕业生能够在数据密集型环境中发挥核心作用，是科技企业最急需的技术人才类型。
1.2 核心能力要求与申请评价逻辑
人工智能/机器学习项目在招募学生时，极度重视申请人的数学基础、编程能力和研究潜力，以下为评估核心维度：
评估维度 | 权重 | 具体要求 |
本科GPA与先修课程 | 高 | 计算机/数学/统计GPA 3.5+；需有线性代数、概率统计、编程基础 |
GRE成绩 | 高 | GRE 325+（建议Q168+，AW 4.0+）；部分项目已改为可选 |
语言成绩 | 高 | TOEFL 100+/IELTS 7.0+ |
个人陈述(SOP/PS) | 非常高 | 清晰阐述AI/ML研究兴趣、数学基础、代码能力与项目经历 |
科研经历 | 非常高 | 机器学习/深度学习相关研究、论文发表或开源项目贡献 |
推荐信 | 高 | 学术推荐（AI/ML领域教授）+ 行业推荐（科技公司研究员）组合最优 |
数学背景 | 高 | 微积分、线性代数、概率论、离散数学核心课程成绩重要 |
编程能力 | 高 | Python/PyTorch/TensorFlow实际项目经验；Kaggle竞赛加分 |
论文发表 | 中等-高 | 顶会论文（NeurIPS/ICML/ICLR/CVPR/NLP）是顶尖项目加分项 |