《人工智能本科专业知识体系与课程设置》笔记

今天看到一本书《人工智能本科专业知识体系与课程设置》，清华大学出版社出版的，由西安交大的老师们编写的，感觉里面的内容设置对于非人工智能科班出身的同学们会有一定帮助，能够了解自己哪些地方还有什么不足。但是要注意的是，这是给本科开设的课程，如果已经进入研究阶段了，一些通识性的、非必修的课可以视自身情况而决定是否有必要补上

数学与统计课程群

工科数学分析

空间曲线的曲率与挠率

实验环节：基于matlab软件的计算方法

• 迭代法
• 最优化方法
• 数据拟合
• 数据差值
• 数值积分
• 微分方程的数值解方法

###线性代数与解析几何
###计算机科学与人工智能的数学基础
包括六部分：

• 逻辑性初步
• 集合论与组合分析
• 图论初步
• 矩阵论初步
• 数值计算
• 优化理论与运筹学

教学目的：
1.掌握命题逻辑中的命题符号化、命题公式及分类、等值验算、范式与基本的逻辑推理方法，了解全功能集
2.深入理解谓词逻辑中的合式公式及解释，并学会利用谓词逻辑等值式求前束范式
3.熟悉集合的基本概念、基本运算与集合元素的计数方法，学会利用组合分析方法对集合或多重集中的元素进行计数，了解递推方程的算法复杂度分析方法
4.理解无限集的势和可数集，了解不可数集和常见集合的势，了解康托集
5.熟悉直线上的开集、闭集及其性质，了解康托闭区间套定理、魏尔斯特拉斯定理等基本理论，了解勒贝格测度与可测集
6.了解图的基本概念并学会图的矩阵表示方法，掌握一些常见的特殊图并了解重要的应用实例，掌握树的概念与基本分析方法

7.熟悉掌握主成分分析方法，掌握矩阵的奇异分解与K-SVD算法，掌握稀疏矩阵方程求解的常用方法
8.熟悉矩阵与向量的求导法则，并会利用求导法则解决实际问题，掌握基于帽子矩阵的多元线性回归方法
9.掌握二分法、弦截法和迭代法等非线性方程的数值解法，理解高斯消去法、矩阵分解和迭代法等线性方程组的数值解法
10.熟悉多项式插值和分段插值的方法，理解函数最佳逼近理论，掌握曲线拟合方法
11.理解最优化问题，掌握凸集、凸函数、凸优化的概念
12.学会使用最小二乘法、最速下降法、牛顿法、拟牛顿法和共轭梯度法等无约束优化方法
13.了解单纯性法，分枝定界法等线性规划的基本解法，理解线性规划的对偶问题
14.掌握等式约束优化、不等式约束优化和二次规划的基本方法
15.熟悉使用C语言和matlab进行数值计算和优化方法的实现

概率统计与随机过程

相比CS的概率论与数理统计，多了部分随机过程的知识，包括：
1.熟悉随机过程的概率，理解平稳过程的概念、相关函数的性质
2.了解各态经历性的判定，掌握谱密度的概念、性质和计算方法
3.掌握平稳时间序列的概念、线性模型及模型识别
4.会进行有关的参数估计并会用这些方法解决一些工程和经济管理中的实际问题

复变函数与积分变换

博弈论（选修）

信息论（选修）

科学与工程课程群

大学物理（含实验）

电子技术与系统

第一部分是电子器件与模拟电路，第二部分是数字系统结构与设计

数字信号处理

现代控制工程

##计算机科学与技术工程群

计算机程序设计

学的是C/C++

数据结构与算法

计算机体系结构

个人感觉相比于CS的，多了一些内容，包括：
1.了解向量处理器，单指令多数据以及GPU等数据并行技术
2.熟悉线程并行技术
3.熟悉面向领域应用的计算架构–特别是面向以深度学习为代表的人工智能应用的加速器设计

理论计算机科学的重要思想

以理论计算机科学的核心思想为主线，对确定型算法、随机化算法、可计算性理论、密码学、博弈论、数论、数值线性代数等展开讨论。在以上每个领域分别选择一个具体课题进行讨论，包括图灵机停机问题、卡拉楚巴算法啊、拉斯维加斯算法与蒙特卡洛算法、零知识证明、纳什均衡、连分数与无理数的逼近、条件数与病态矩阵等等。
参考资料

• MIT Open Courseware 6.080/6.089
• CMU Course 15-251

3D计算机图形学（选修课）

就是计算机图形学

智能感知与移动计算（选修课）

涉及两个主题：

• 多维信息采集与处理
• 移动计算与移动智能

参考书：

• 《智能感知、无线传感器及测量》
• 《雾计算：技术、架构及应用》

##人工智能核心课程群

人工智能的现代方法

参考书

• 人工智能-一种现代的方法
• 花书
• 概率图模型-原理与技术
• Pattern Recognition and Machine Learning

包含两大部分：

• 问题表达与求解
  2.从智能体的角度理解人工智能的方法论，理解基于模型反射、基于目标、基于效用、基于学习的智能体的概念
  3.掌握典型的搜索方法：迭代加深搜索、启发式搜索、贪婪最佳优先搜索、A*搜索
  4.掌握在非确定、不完全观察环境下的搜索方法，如局部搜索爬山法、模拟退火、遗传算法和信念状态表示法
  5.掌握在完整信息下的两人零和游戏的方法：极小极大算法、a-b搜索算法
  6.掌握约束满足问题的搜索求解方法
  8.掌握贝叶斯网络的有向无环图的构建方法，通过贝叶斯网络完成精确推理计算
  9.掌握回归和分类的线性模型
  10.了解马尔科夫链、蒙特卡洛方法
  11.掌握主成分分析，EM算法
  12.了解隐马尔科夫模型、卡尔曼滤波和动态贝叶斯
  13.了解制定简单决策、复杂决策的相关概念

• 机器学习
  2.掌握随机图模型与贝叶斯分类，理解马尔科夫随机场与隐马尔科夫模型
  3.掌握核方法与支持向量机
  4.掌握集成学习与随机森林
  5.理解无监督学习与聚类、半监督学习与弱监督学习
  6.理解稀疏学习与压缩感知
  9.掌握生成模型的概念、理解生成对抗方法
  10.掌握概率采样与蒙特卡洛方法

自然语言处理

大纲：

• 文本预处理技术
• 文本正则化
• 文本型符化
• 文本编辑距离
• 语言模型
• 概率语言模型
• n-gram语言模型
• 数据稀疏
• 基于神经网络的语言模型
• 词性标注
• 词性标注
• 序列标注
• 句法分析
• 句法分析
• 句法分析的方法
• 文本分类与聚类
• 文本分类
• 文本聚类
• 统计机器翻译
• 机器翻译概述
• 基于神经网络的机器翻译模型概述
• 信息检索与推荐系统
• 信息检索
• 推荐系统
• 情感分析
• 情感分析
• 认知与语言
• 认知科学与语言基础
• 认知语言学基础

计算机视觉与模式识别

参考教材是2004翻译的Computer Vision:A Modern Approach，和现在我们所说的CV关系不是太大
大纲：

• 视觉生理学与视觉认知基础
• 视觉生理学与经典理论（视觉生理学、视觉经典理论、马尔视觉理论）
• 视觉认知基础（视觉生理机制、视觉选择性、眼动与注意、视觉记忆与想象）
• 图形成像与图形模型
• 相机模型（图像传感器、针孔相机、透视投影与仿射投影、相机模型与相机参数）
• 相机标定（最小二乘方法、相机标定的线性方法、相机畸变参数估计、奇异值分解）
• 图像模型（颜色视觉、光辐射测度、光源与光照模型、色彩与颜色模型、本征图像分解）
• 立体视觉
• 两视几何（深度感知、对极几何、本质矩阵与基础矩阵、弱标定）
• 立体匹配（立体对应、视差与视差线索、极线约束、立体标定、立体匹配模型）
• 运动视觉
• 图像运动（感知运动、运动场与光流场、光流方程与孔径问题、运动分解、光流估计）
• 目标运动（刚体运动与非刚体运动、目标表示与目标匹配、运动模型与观测模型、线性动态模型与卡尔曼滤波）
• 图像结构检测、表示与匹配
• 图像滤波（卷积与线性尺度空间、图像金字塔、边缘与边缘检测算子）
• 形状与纹理（滤波器组、纹理基元与纹理表示、形状基元与形状表示、形状匹配）
• 特征检测与表示（关键点、特征描述子、梯度直方图、尺度不变性特征变换、视觉词典）
• 特征匹配（图像表示、相似性与鲁棒匹配、哈希算法、图像检索）
• 感知聚类与分割方法
• 感知组织与图像分割（感知组织、组织目标与场景、格式塔原理、感知聚类、视觉内插与视觉完形、图像分割）
• 图像分割的聚类方法（特征空间、聚类方法、k-means、亲和矩阵、谱聚类与NCuts）
• 图像分割的概率方法（概率模型、混合模型、EM算法、模型选择）
• 图像分割的模型拟合方法（霍夫变换、直线与曲线拟合、鲁棒估计、RANSAC）
• 马尔科夫随机场与推理算法（随机场与马尔科夫随机场、能量模型、信任传播算法与图割）
• 视觉模式识别方法
• 视觉分类(感知目标属性与部件、感知功能与类别、视觉分类、检测与鉴别、判别式模型与产生式模型)
• 集成学习与支撑向量机（组合分类器与提升算法、支撑向量机与隐支撑向量机、可形变的部件模型、人脸检测与行人检测）
• 视觉识别的非度量方法（决策树、分类与回归树、随机蕨与决策森林、人脸检测与对齐）
• 卷积网络（感受野/知觉场、分层结构与分布式表示、卷积神经网络、前向推理与反传算法、图像分类网络与目标检测网络）
• 递归网络（隐马尔科夫模型、递归神经网络、循环神经网络与长短时记忆网络、前-后向算法、动作识别）
• 图像合成方法
• 图像变换（2D几何变换、2D透视变换与2D仿射变换、图像插值、图像变形）
• 图像拼接（图像对齐与图像拼接、图像融合、图像编辑）
• 基于图像的绘制（真实感绘制与非真实感绘制、场景建模、光场与光照模型、全光函数、纹理映射）
• 图像超分辨率（图像分辨率、图像退化模型、图像重建、图像不全、超分辨率重建网络）
• 图像生成（图像生成、产生式模型、图像采样、图像产生网络）
• 视觉应用系统
• 视觉ADAS(视觉辅助驾驶系统、目标检测与跟踪、视觉测量、车道偏离报警、前向碰撞报警、自适应巡航、自动紧急刹车)
• 视觉监控系统（视觉监控系统、身份认证、异常行为检测、人群密度估计、事件检测）

强化学习与自然计算

参考书：

• Richard S S.Andrew G B.Reinforcement Learning:An Indroduction.MIT Press,2015
• 吴启迪。自然计算导论。2011

知识涉及：

• MDP,POMDP及值迭代方法
• 动态规划、蒙特卡洛学习、时序差分学习等
• 预测与控制、规划与学习
• 基于价值的深度强化学习方法
• 基于策略梯度的深度强化学习方法
• 能够解决动态决策问题
• 自然计算的统一模型
• 进化计算与遗传算法，能够仿真模拟
• 模拟退化算法
• 分布估计算法
• 蚁群算法
• 免疫计算
• 混沌与分形
• 量子计算、DNA计算

人工智能的科学理解（选修课）

两个主题

• 控制论与人工智能
• 智能系统的信念

参考书：

• 郝季仁。控制论
• Nils J.Nilson 理解信念。王飞跃等译

游戏AI设计与开发（选修课）

参考书：
Georgios N.Y,Julian Togelius.Artificial Intelligence and Games.Berlin:Springer,2018

虚拟现实与增强现实（选修课）

认知与神经课程群

认知心理学基础

参考书：

• Robert L.Solso et al.认知心理学
• Robert S.Feldman.普通心理学

神经生物学与脑科学

参考书：

• John G.Nicholls.神经生物学-从神经元到脑
• 丁斐。神经生物学
• etc。。。

计算神经工程

参考书：

• Rajesh P.N.Rao脑机接口导论

##先进机器人技术课程群

机器人学基础

多智能体与人机混合智能

参考书：

• 王崇骏，等。多智能体系统及应用

认知机器人

参考：

• 陈敏。认知计算导论
• MIT Cognitive Robotics课程材料

仿生机器人

人工智能与社会课程群

人工智能的哲学基础与伦理

人工智能的社会风险与法律

人工智能工具与平台课程群

机器学习工具与平台

• 开源机器学习工具与平台
• 人工智能系统与应用
• 开源AI训练平台（OpenPAI、KubeFlow）
• 开源AI推断平台（TensorRT,TVM,ONNX）
• 分布式AI训练（数据并行、模型并行、参数服务器、AllReduce、分布式训练工具）
• OpenPAI分布式训练作业部署
• Kubernetes推断部署
• 分布式系统概述：YARN,Kubernetes
• 面向深度学习的调度系统与算法（群调度与容量调度、支持拓扑的GPU调度）

三维深度感知（选修课）

人工智能芯片设计导论（选修课）

无人驾驶平台（选修课）

专业综合性实验

机器人导航技术实验

自主无人系统实验

虚拟现实与仿真实验

脑信号处理实验