學(xué)生能夠探索自己希望深入研究的領(lǐng)域(包括圖像與視頻處理、自然語言與語音識別、大數(shù)據(jù)分析、人工智能驅(qū)動藥物發(fā)現(xiàn)等)。這一課程設(shè)計(jì)有助于學(xué)生加強(qiáng)對現(xiàn)代技術(shù)及人工智能最新進(jìn)展的理解，確定研究項(xiàng)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(wǎng)企業(yè)、人工智能驅(qū)動的產(chǎn)業(yè)及政府機(jī)構(gòu)中從事AI系統(tǒng)設(shè)計(jì)與開發(fā)，或繼續(xù)攻讀相關(guān)的碩士與博士課程。

　　課程亮點(diǎn)

　?、賹W(xué)習(xí)計(jì)劃與時(shí)俱進(jìn)，契合人工智能領(lǐng)域的人才需求與最新發(fā)展;

　　②學(xué)生可通過多樣化的選修模塊選擇AI研究方向;

　?、郢@得本校在機(jī)器翻譯與人工智能、AI驅(qū)動藥物發(fā)現(xiàn)等領(lǐng)域領(lǐng)先研究中心的支持;

　?、芡ㄟ^與業(yè)界及海外高校的緊密合作，提供大量實(shí)習(xí)與科研機(jī)會;

　?、輧?yōu)秀學(xué)生有機(jī)會在學(xué)期間赴歐美知名大學(xué)進(jìn)行科研交流。

　　考試復(fù)習(xí)要點(diǎn)

　　整理公式清單：損失函數(shù)、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(shù)的導(dǎo)數(shù)。

　　手算/推導(dǎo)練習(xí)：?？嫉挠?logistic loss 的梯度、線性回歸的正態(tài)方程、softmax + cross-entropy 推導(dǎo)等。把每個(gè)推導(dǎo)寫熟。

　　常見題型訓(xùn)練：畫架構(gòu)、解釋過擬合原因與調(diào)參策略、給出模型選擇理由、計(jì)算參數(shù)數(shù)量。做往年試題/課堂 quiz。

　　項(xiàng)目/論文拿高分的“殺手锏”

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

　　對比 baseline：至少與一個(gè)合理 baseline(例如 logistic regression / simple CNN)比較，說明提升幅度與統(tǒng)計(jì)顯著性(如果可能做多次重復(fù)實(shí)驗(yàn)取平均)。

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

　　寫清 reproducibility：評閱者常會看你能否讓結(jié)果被重復(fù)，寫明隨機(jī)種子、訓(xùn)練時(shí)長、硬件、代碼倉庫鏈接。

　　常見踩坑與規(guī)避

　　踩坑：只調(diào)參數(shù)不看數(shù)據(jù)質(zhì)量(解決：先做 EDA，處理 imbalance、缺失、異常值)。

　　踩坑：報(bào)告里直接粘代碼輸出沒解釋(解決：每個(gè)表/圖下寫一句結(jié)論與原因)。

　　踩坑：超參數(shù)搜索過度導(dǎo)致過擬合(解決：用驗(yàn)證集與交叉驗(yàn)證，報(bào)告 variance)。

　　踩坑：未注明隨機(jī)種子和運(yùn)行次數(shù)(解決：多次運(yùn)行求均值/方差并報(bào)告)。