[人工智能]SCSE 21fall 课程

1 CE7429?Computational Intelligence: Methods & Applications

计算智能 (CI) 的灵感来自统计、模式识别、神经网络、机器学习、模糊逻辑、进化计算、科学可视化和其他来源。

本课程涵盖基础理论、实现许多计算智能算法（WEKA 和 GhostMiner）的两个软件包的使用，以及 计算智能方法在技术、医学和生物信息学领域数据的实际应用示例。

1.1 课程概要

计算智能概述、自适应系统的类型、学习和应用；

可视化和探索性数据分析：少变量、主成分分析（PCA）、多维尺度（MDS）、自组织映射（SOM）、平行坐标等可视化算法；

理论：学习统计方法概述、偏差-方差分解、期望最大化算法、模型选择、结果评估、ROC曲线；

介绍 WEKA 和 GhostMiner 软件包，介绍这些软件包中可用的算法；

统计算法：判别分析——线性（LDA）、Fisher（FDA）、正则化（RDA）、概率数据建模、核方法；

基于相似性的方法、原型的生成、相似性函数、可分离性标准、模式识别中的结构方法；

改进计算智能模型：boosting、stacking、集成学习、元学习、用于选择特征的信息论。

总课时数：39小时

2?CE7454?Deep Learning For Data Science、

深度学习最近引入了从人类设计特征到端到端系统的范式转变，并彻底改变了包括计算机视觉、语音识别和自然语言处理在内的多个领域。

谷歌、Facebook、微软、苹果、亚马逊等顶级 IT 公司已经积极利用深度学习技术重新设计他们的产品，未来几十年的影响将超越自动驾驶汽车、围棋等战略游戏和 MRI 癌症检测。

本课程的主要目的是介绍深度学习架构的数学基础、最先进的架构和专业库。

学生将学习如何设计自己的人工神经网络来解决他们的数据分析任务。

他们还将学习如何使用 TensorFlow 和 PyTorch 高效地编写这些新算法。 总课时数：39小时

3 Advanced Topics In Distributed Systems

本课程向研究生介绍分布式计算模型、算法和软件系统的高级主题。

它涉及设计问题、实现技术以及支持分布式系统实现的软件工具和环境，旨在为研究生做好分布式系统研究的准备。

课程概要

将涵盖以下列表中的精选主题：

? 分布式计算模型和算法

? Internet 和 Web 技术和应用程序

? 分布式协作系统

? 分布式模拟和虚拟环境

? 网格计算和 P2P 系统

? 其他分布式系统

将对真实分布式系统进行案例研究，并回顾该主题领域的最新研究文献。

总课时数：39小时

4?CE7491Special Advanced Topic: Digital Image Processing

本课程提供图像处理的基本概念、理论和技术。

涵盖了理论和实践两个方面，并对选定的问题进行了深入分析。

本课程附有基于 Matlab 的实验室组件。

课程概要

图像形成；

增强；

边缘检测；

插值；

颜色处理；

频域处理；

恢复和重建；

小波处理；

图像和视频压缩；

形态学操作；

图像分割与表示；

物体识别

总课时数：39小时