人工智能博士

科目简介

必修科目

文献综述与选题报告（2 学分）

本课程旨在指导学生了解人工智能领域的研究现状，通过文献综述的方式帮助学生更好的了解本领域中待解决的问题以及可能的解决方案，以指导学生更好的选择研究方向，完成博士研究课题的选题设定。

学术专题项目（2 学分）

本课程旨在拓展学生视野，让学生了解人工智能领域的最近进展，通过学术讲座、学术交流等方式让学生与业内专家面对面交流，获得更多解人工智能的最新知识。

人工智能原理（3 学分）

人工智能是研究如何用计算机软件和硬体去实现人类的智慧，即如何感知并作用于外部环境。本课程在系统论述人工智能学科及其研究体系的基础上，将人工智能的基本原理划分为求解、规划、学习与推理这四大部分，再分别详细地论述：

1. 搜索问题、优化问题、博弈问题与约束问题等的求解方法；

2. 时空与决策理论规划；

3. 从任务、范式与模型这三个视角来讲述机器学习；

4. 知识的表征与推理机制。

机器学习（3 学分）

本课程提供了一个广泛的机器学习、数据挖掘和统计模式识别的介绍。主题包括：1) 监督学习（参数/非参数演算法，支援向量机，核函数，神经网络)；2)无监督学习（聚类，降维，推荐系统，深入学习推荐)；3) 机器学习的最佳实践（偏差/方差理论，机器学习和人工智能创新过程）。

选修科目

深度学习（3 学分）

本课程系统地介绍深度学习基本原理，如启动函数、反向传播、卷积、池化， Dropout，讲述代表性的深度网路模型，如卷积神经网路、循环神经网路、生成对抗网路等，介绍深度学习的一些代表性的应用实例。

计算机视觉（3 学分）

本课程系统地讲述计算机视觉的理论基础与框架、计算机视觉中的手工特征提取与特征学习方法、计算机视觉中物体的识别与分类、动作的检测与定位、内容的理解与预测等技术。

自然语言处理（3 学分）

本课程的主要内容包括： 1) 自然语言处理的数学基础，n元语法模型以及隐尔可夫模型等；2) 自然语言处理的语言学基础、词语搭配、语义消岐、概率句法分析等；3) 自然语言处理的应用，如文本的分类与聚类、资讯检索、机器翻译、资讯挖掘等。

算法与计算复杂性（3 学分）

本课程旨在通过介绍若干演算法，讨论演算法设计的基本要求，并进行演算法复杂性分折。内容包括：组合论-递进关系与母函数、动态规划、优先策略、分治策略、搜索技术、并行演算法、排序与查找以及NP理论等。

数字图像处理（3 学分）

本课程旨在介绍数字图像处理及模式识别的基本原理、方法及其应用。内容包括数字园像的预处理、特征提取、分析；统计模式识别，结构模式识别及其在不同领域中的应用。学生应根据所学内容，选读相关论文并给出相应报告。

人工智能专题（3 学分）

本课程旨在拓展学生视野，让学生了解人工智能领域的最近进展、应用趋势和产业发展规律。