假设你认识一个想要学习机器学习和自然语言处理的学生。
他们应该专注于哪些具体的计算机科学科目，以及哪些编程语言是专门为解决这类问题设计的？
我不是在寻找你喜欢的科目和工具，而是行业标准。
示例：我猜测了解Prolog和Matlab可能会对他们有帮助。他们还可能需要学习离散结构*、微积分和统计学。
*图和树。函数：属性、递归定义、解决递归。关系：属性、等价、部分顺序。证明技术，归纳证明。计数技术和离散概率。逻辑：命题演算、一阶谓词演算。形式推理：自然演绎、解析。应用于程序正确性和自动推理。计算中的代数结构介绍。
回答：
这个相关的Stack Overflow问题有一些不错的回答：对自然语言处理感兴趣的人有哪些好的起点？
这是一个非常大的领域。前提条件主要包括概率/统计、线性代数和基本的计算机科学，尽管自然语言处理需要更深入的计算机科学背景来开始（通常涵盖一些基本的人工智能）。关于特定的语言：Lisp是作为“事后考虑”用于人工智能研究而创建的，而Prolog（其根源在于形式逻辑）特别针对自然语言处理，许多课程会使用Prolog、Scheme、Matlab、R或其他功能性语言（例如，康奈尔大学的这门课程使用OCaml），因为它们非常适合这种类型的分析。
以下是一些更具体的指导：
对于机器学习，斯坦福CS 229：机器学习非常棒：它包括所有内容，包括完整的讲座视频（也在iTunes上），课程笔记，问题集等，并且由Andrew Ng教授得非常好。
请注意前提条件：
学生应具备以下背景知识：掌握基本的计算机科学原理和技能，能够编写一个相当非平凡的计算机程序。熟悉基本的概率论。熟悉基本的线性代数。
该课程使用Matlab和/或Octave。它还推荐以下读物（尽管课程笔记本身已经非常完整）：
