关于国际化课程《人工智能技术》选课通知

     一、课程介绍

随着大模型和GPT技术为代表的生成式人工智能（GAI）技术快速发展，AI与各个学科和产业的融合创新正在加速。面向未来，面向全球，健行学院引进全球名校英国帝国理工学院（2024QS世界大学排名第6位）Björn Schuller教授主讲的《人工智能技术》课程。

健行学院英语基础能力好，愿意挑战全英文授课的学生可以选修本课程，选课时间为2024年2月29日前完成选课报名。该课程的学分和成绩将按学院国际化课程学分转换办法转换为健行学院荣誉生培养方案中《人工智能技术（健行）》课程的学分和成绩。

二、主讲教授 Professor Introduction

Björn Schuller

帝国理工学院终身教授

帝国理工学院计算机系终身教授

帝国理工学院计算机系语言、音频和音乐小组负责人

论文被引用次数：58904；h指数：107；i10指数：685

德国audEERING GmbH公司首席科学官兼联合创始人

2015-2016世界经济论坛40位杰出青年科学家之一

哈尔滨工业大学计算机科学与技术学院客座教授

研究方向 Research Interests

Artificial Intelligence 人工智能

Deep Learning 深度学习

Audiovisual Signal Processing 视听信号处理

Affective Computing 情感计算

Health Informatics 健康信息学

三、课程安排 Course Arrangement

· 课程时间：2024-03-08 ~ 2024-05-25

· 课程形式：NeoSchool平台线上直播

· 课时安排：10周

· 课程结构：外教32课时+助教20课时（助教课不计入考勤，自愿参与）每次外教课结束后有30分钟时 间中方助教对教授授课内容进行回顾总结。

· 授课语言：中英双语，外教全英文授课，中方助教采取中文授课。课程配套资料、课件及考题为全英 文。

· 报名方式：https://www.wjx.cn/vm/h47ObLg.aspx

   报名截止日期：2024年2月29日

四、课程描述

1.课程背景

人工智能在广泛的领域都有应用，包括医疗保健、金融、交通和娱乐，并有可能改变我们的生活和工作方式。生成式AI是指一种能够创建新的原创内容的人工智能，例如图像、音乐或文本。生成式人工智能同样在各个领域都有应用，包括艺术、设计、文学和娱乐，并且越来越多地用于创建逼真的模拟、生成新产品设计以及为用户开发个性化内容。如今，人工智能主要使用深度学习技术，例如卷积和循环神经网络、生成对抗网络（GAN）、变分自动编码器 （VAE） 和转换器来分析数据并生成模仿给定输入的样式或特征的输出。

2.课程目标

本课程旨在提供对支撑人工智能的基础技术的基本理解，从基本方法到深度学习的最新技术。人工智能涉及使用算法、方法和系统从结构化和非结构化数据中提取知识和见解或生成此类知识和见解。另一方面，机器学习作为人工智能的一个主要子领域，允许机器从训练阶段的观察中进行泛化。对于后者，它们通常以“标记”示例呈现，即数据点，包括机器以后必须在新的未知示例中分析或合成自己的信息。同样，该字段允许在数据中找到相关性以进行解释或应用，例如，在模式识别等方面。它还允许以有条件的目标方式生成新数据。

3.预修要求

学生需已修完微积分、线性代数课程，有编程基础更佳

五、课程大纲Course Syllabus

1. 深度前馈神经网络；（深度）神经网络的训练
本章深入探讨深度前馈神经网络的基础，阐述其在人工智能中的架构和重要性。重点关注训练策略，包括反向传播和优化技术，这对提升网络性能和缓解梯度消失、梯度爆炸等挑战至关重要。
2. 深度神经网络的测试；卷积神经网络（CNNs）
深度神经网络的测试阶段成为焦点，探讨评估和确保模型鲁棒性的方法。此外，本章介绍了卷积神经网络（CNNs），阐明它们在图像处理任务中的关键作用，并提供其架构和应用的见解。
3. 循环神经网络（RNNs）；RNN中的记忆（长短时记忆、门控循环单元）
本章扩展了对循环神经网络（RNNs）的讨论，阐明其处理序列数据的能力。此外，深入研究了RNN内的记忆机制，介绍了长短时记忆（LSTM）和门控循环单元（GRUs）等增强方法，以解决在长序列中保留信息时遇到的挑战。
4. 连接主义时序分类（CTC）用于时间序列管理
本章介绍了连接主义时序分类（CTC）作为处理时间序列数据的关键技术。探讨了CTC如何在序列到序列学习中发挥作用，特别是在涉及可变长度输入和输出序列的应用中，增强了人工智能系统的适应能力。
5. 端到端学习（e2e）
将端到端学习阐释为一种范例，模型直接从原始数据中学习以产生所需输出。本章探讨了端到端学习方法的优势和挑战，强调其在人工智能应用中简化复杂任务的潜力。
6. 生成对抗网络（GANs）
本章深入研究生成对抗网络（GANs），介绍对抗训练的概念，用于生成逼真的合成数据。将探讨GANs独特的架构，包括生成器和判别器，以及它们在从图像合成到数据增强等各种应用中的多样性。
7. 迁移学习；弱监督学习（主动学习、半监督学习）
迁移学习受到关注，强调通过利用预训练模型来完成新任务所获得的效率。本章还将探讨弱监督学习，包括主动学习和半监督学习方法，提供对标注数据有限情况下的场景的见解。
8. 强化学习（深度Q学习）；深度学习中的最新主题（例如，绿色和联邦学习，可解释性）；用于深度学习中的模式识别的工具
本章涵盖了强化学习，重点关注深度Q学习作为训练代理进行顺序决策的技术。此外，还将讨论深度学习中的最新趋势，包括绿色和联邦学习，以及解释性的进展。本章最后将介绍在深度学习应用中进行模式识别所必需的工具。
9. 在音频、视频、文本和一般信号分析中的应用
探索深度学习在音频、视频、文本和一般信号分析领域的多样应用。强调深度学习技术在语音识别、视频分类、情感分析和信号处理等任务中的实际贡献。
10. 在自然语言处理中的应用
本章重点介绍深度学习在自然语言处理（NLP）中的应用。探讨深度神经网络，包括循环和Transformer模型，如何改革语言翻译、情感分析和聊天机器人开发等任务，展示了人工智能在语言应用中的广泛影响。

六、后续课程学习

选修本门课程的同学可在课程结束后自愿选择免费参与美国哥伦比亚大学写作课教授Allen Durgin的科研策略与论文写作基础课程，课程信息如下：

· 课程时间：2024-05-25 ~ 2024-06-22，每周六晚（具体时间段待定）

· 课程形式：NeoSchool平台线上直播

· 课时安排：5周16课时

· 授课教授：哥伦比亚大学写作课教授Allen Durgin

· 授课内容：数据文献检索与论文写作技巧

· 课程大纲参考如下：

Week 1: How Scholars Write

o ●  Course Overview and Expectations

o ●  The Secrets of Expert Writers

o ●  Recognizing Genre Expectations

o ●  Scholarly Problem: Where Scholars Begin

o ●  Practicing Radical Revision

Week 2: How Scholars Research

o ●  Scholarly Research: Where Conversations Live

o ●  Creating a Research Project of One’s Own

o ●  Reading Strategies for Research

o ●  Evaluating & Incorporating Sources

o ●  Practicing Descriptive Feedback

Week 3: How Scholars Construct Arguments

o ●  Distinguishing Between Observation and Analysis

o ●  Generating Evidence Through Analysis

o ●  Making Interesting Claims

o ●  Articulating the Stakes of One’s Project

Week 4: How Scholars Engage Readers

o ●  Crafting Reader-Based Structure

o ●  Crafting Reader-Based Style

o ●  Establishing Authority by Crafting Writing Personae

Week 5: How Scholars Ethically Engage Sources

o ●  Citing Sources

o ●  Doing Justice to Your Sources

1-Hour Wrap Up: Building on What You Know

o ●  Learning Transfer

o ●  Writing in New Disciplines/Genres