在第三年，你应该专注于深入学习机器学习以及统计原理的特定领域应用，包括自然语言处理、大数据分析和计算机视觉。以下是一些推荐的课程：

CS 229 Machine Learning

机器学习（Machine Learning）：涵盖机器学习的原则，包括监督和非监督学习和模型训练概念，如偏方差权衡、正则化和模型选择。一定要学习这些理论并把它们学好，因为人工智能从业者每天都在使用它们。

EE 364A Convex Optimization

凸优化（Convex Optimization）：涵盖解决凸优化问题背后的思想与应用到统计、机器学习、信号处理和其他领域。虽然现在许多模型使用非凸目标，但这有助于理解可处理优化问题背后的形式。相关课程：EE 364A。

CS 228 Probabilistic Graphical Models

概率图形模型（Probabilistic Graphical Models）：涵盖图形模型范式，它允许对随机变量的大量集合进行概率建模。计算机视觉和自然语言处理等各种应用中的许多问题都可以用图形模型来表达，因此了解这些思想是有帮助的。

CS 246 Data Mining

数据挖掘（Data Mining）：涵盖如何处理大数据集的技术和方法，尤其侧重于推荐系统、聚类和大规模监督机器学习等应用领域。鉴于每天都会产生大量新数据，人工智能从业者必须适应大规模操作和分析数据，特别是通过使用 Spark 这样的现代工具包。

CS 224N Natural Language Processing

自然语言处理（Natural Language Processing）：介绍让机器理解文本数据背后的理论和实践。这样的课程应该概述诸如解析和命名实体识别之类的传统自然语言处理中的任务，并讲授如何使用诸如深度学习之类的技术来解决这些任务。

CS 231N Convolutional Neural Networks for Computer Vision

用于计算机视觉的卷积神经网络（Convolutional Neural Networks for Computer Vision）：涵盖了现代深度学习体系结构背后的理论，尤其是与构建计算机视觉模型有关的理论。在当今的人工智能领域中，想要获得成功，拥有扎实的神经网络基础至关重要。相关课程：CS 231N。