學生能夠探索自己希望深入研究的領域(包括圖像與視頻處理、自然語言與語音識別、大數據分析、人工智能驅動藥物發(fā)現(xiàn)等)。這一課程設計有助于學生加強對現(xiàn)代技術及人工智能最新進展的理解，確定研究項目的主題及后續(xù)職業(yè)發(fā)展的興趣方向，例如在互聯(lián)網企業(yè)、人工智能驅動的產業(yè)及政府機構中從事AI系統(tǒng)設計與開發(fā)，或繼續(xù)攻讀相關的碩士與博士課程。

　　課程亮點

　?、賹W習計劃與時俱進，契合人工智能領域的人才需求與最新發(fā)展;

　?、趯W生可通過多樣化的選修模塊選擇AI研究方向;

　　③獲得本校在機器翻譯與人工智能、AI驅動藥物發(fā)現(xiàn)等領域領先研究中心的支持;

　　④通過與業(yè)界及海外高校的緊密合作，提供大量實習與科研機會;

　?、輧?yōu)秀學生有機會在學期間赴歐美知名大學進行科研交流。

　　考試復習要點

　　整理公式清單：損失函數、梯度下降變體(SGD, Adam)、回歸/分類常用公式、正則化原理、常見激活函數的導數。

　　手算/推導練習：常考的有 logistic loss 的梯度、線性回歸的正態(tài)方程、softmax + cross-entropy 推導等。把每個推導寫熟。

　　常見題型訓練：畫架構、解釋過擬合原因與調參策略、給出模型選擇理由、計算參數數量。做往年試題/課堂 quiz。

　　項目/論文拿高分的“殺手锏”

　　消融實驗(Ablation)：把主要改進拆為若干部分，展示每部分貢獻，證明你的選擇是有效的。

　　對比 baseline：至少與一個合理 baseline(例如 logistic regression / simple CNN)比較，說明提升幅度與統(tǒng)計顯著性(如果可能做多次重復實驗取平均)。

　　可視化解釋：混淆矩陣、ROC 曲線、示例預測、Grad-CAM/attention map(若是圖像/文本)等，增強說服力。

　　寫清 reproducibility：評閱者常會看你能否讓結果被重復，寫明隨機種子、訓練時長、硬件、代碼倉庫鏈接。

　　常見踩坑與規(guī)避

　　踩坑：只調參數不看數據質量(解決：先做 EDA，處理 imbalance、缺失、異常值)。

　　踩坑：報告里直接粘代碼輸出沒解釋(解決：每個表/圖下寫一句結論與原因)。

　　踩坑：超參數搜索過度導致過擬合(解決：用驗證集與交叉驗證，報告 variance)。

　　踩坑：未注明隨機種子和運行次數(解決：多次運行求均值/方差并報告)。