机器学习集技术、科学与艺术于一体，它有别于传统人工智能，是现代人工智能的核心。它牵涉到统计、优化、矩阵分析、理论计算机、编程、分布式计算等。因此，建议在已有的计算机专业本科生课程的基础上，适当加强概率、统计和矩阵分析等课程，下面是具体课程设置和相关教材的建议：

  • 加强概率与统计的基础课程，建议采用莫里斯·德格鲁特(Morris H.DeGroot)和马克·舍维什(Mark J.Schervish)合著的第四版《概率论与数理统计》(Probability and Statistics)为教材。

  • 在线性代数课程里，加强矩阵分析的内容。教材建议使用吉尔伯特·斯特朗(Gilbert Strang)的《线性代数导论》(Introduction to Linear Algebra)。吉尔伯特·斯特朗在麻省理工学院一直讲述线性代数，他的网上视频课程堪称经典。后续建议开设矩阵计算，采用特雷费森·劳埃德(Trefethen N.Lloyd)和戴维·鲍(David Bau lll)著作的《数值线性代数》(Numerical Linear　Algebra)为教科书。

  • 开设机器学习课程。机器学习有许多经典的书籍，但大多不太适宜做本科生的教材。最近，麻省理工学院出版的约翰·凯莱赫(John D.Kelleher)和布瑞恩·麦克·纳米(Brian Mac Namee) 等人著作的《机器学习基础之预测数据分析》(Fundamentals of Machine Learning for Predictive Data Analytics)，或者安得烈·韦伯(Andrew R.Webb)和基思·科普塞(Keith D.Copsey)合著的第三版《统计模式识别》(Statistical Pattern Recognition)比较适合作为本科生的教科书。同时建议课程设置实践环节，让学生尝试将机器学习方法应用到某些特定问题中。

此外，我建议设立以下课程作为本科计算机专业的提高课程或者荣誉课程。特别是，国内有些大学计算机专业设立了拔尖人才项目，我认为以下课程可以考虑列入该项目的培养计划中。事实上，上海交通大学ACM 班就开设了随机算法和统计机器学习等课程。

  • 开设数值优化课程，建议参考教材乔治·诺塞达尔(Jorge Nocedal)和史蒂芬·赖特(Stephen J.Wright)的第二版《数值优化》(Numerical Optimization)，或者开设数值分析，建议采用蒂莫西·索尔的《数值分析》(Numerical Analysis)为教材。

  • 加强算法课程，增加高级算法，比如随机算法，参考教材是迈克尔·米曾马克(Michael Mitzenmacher)和伊莱·阿普法(Eli Upfal) 的《概率与计算：随机算法与概率分析》(Probability and Computing:Randomized Algorithms and Probabilistic Analysis)。

  • 在程序设计方面，增加或加强并行计算的内容。特别是在深度学习技术的执行中，通常需要GPU加速，可以使用戴维·柯克(David B.Kirk)和胡文美(Wen-mei W.Hwu)的教材《大规模并行处理器编程实战》（第二版）(Programming Massively Parallel Processors:A Hands-on Approach,Second Edition)；另外，还可以参考优达学城(Udacity)上英伟达(Nvidia)讲解CUDA计算的公开课。