人工智能博士

科目簡介

必修科目

文獻綜述與選題報告（2 學分）

本課程旨在指導學生瞭解人工智能領域的研究現狀，通過文獻綜述的方式幫助學生更好的瞭解本領域中待解決的問題以及可能的解決方案，以指導學生更好的選擇研究方向，完成博士研究課題的選題設定。

學術專題項目（2 學分）

本課程旨在拓展學生視野，讓學生瞭解人工智能領域的最近進展，通過學術講座、學術交流等方式讓學生與業內專家面對面交流，獲得更多解人工智能的最新知識。

人工智能原理（3 學分）

人工智能是研究如何用計算機軟件和硬體去實現人類的智慧，即如何感知並作用於外部環境。本課程在系統論述人工智能學科及其研究體系的基礎上，將人工智能的基本原理劃分為求解、規劃、學習與推理這四大部分，再分別詳細地論述：

1. 搜索問題、優化問題、博弈問題與約束問題等的求解方法；

2. 時空與決策理論規劃；

3. 從任務、範式與模型這三個視角來講述機器學習；

4. 知識的表徵與推理機制。

機器學習（3 學分）

本課程提供了一個廣泛的機器學習、數據挖掘和統計模式識別的介紹。主題包括：1) 監督學習（參數/非參數演算法，支援向量機，核函數，神經網絡)；2)無監督學習（聚類，降維，推薦系統，深入學習推薦)；3) 機器學習的最佳實踐（偏差/方差理論，機器學習和人工智能創新過程）。

選修科目

深度學習（3 學分）

本課程系統地介紹深度學習基本原理，如啟動函數、反向傳播、卷積、池化， Dropout，講述代表性的深度網路模型，如卷積神經網路、循環神經網路、生成對抗網路等，介紹深度學習的一些代表性的應用實例。

計算機視覺（3 學分）

本課程系統地講述計算機視覺的理論基礎與框架、計算機視覺中的手工特徵提取與特徵學習方法、計算機視覺中物體的識別與分類、動作的檢測與定位、內容的理解與預測等技術。

自然語言處理（3 學分）

本課程的主要內容包括： 1) 自然語言處理的數學基礎，n元語法模型以及隱爾可夫模型等；2) 自然語言處理的語言學基礎、詞語搭配、語義消岐、概率句法分析等；3) 自然語言處理的應用，如文本的分類與聚類、資訊檢索、機器翻譯、資訊挖掘等。

算法與計算複雜性（3 學分）

本課程旨在通過介紹若干演算法，討論演算法設計的基本要求，并進行演算法複雜性分折。内容包括：組合論-遞進關係與母函數、動態規劃、優先策略、分治策略、搜索技術、并行演算法、排序與查找以及NP理論等。

數字圖像處理（3 學分）

本課程旨在介紹數字圖像處理及模式識別的基本原理、方法及其應用。內容包括數字園像的預處理、特徵提取、分析；統計模式識別，結構模式識別及其在不同領域中的應用。學生應根據所學內容，選讀相關論文並給出相應報告。

人工智能專題（3 學分）

本課程旨在拓展學生視野，讓學生瞭解人工智能領域的最近進展、應用趨勢和產業發展規律。