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現等)。這一課程設計有助于學生加強對現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職業發展的興趣方向，例如在互聯網企業、人工智能驅動的產業及政府機構中從事AI系統設計與開發，或繼續攻讀相關的碩士與博士課程。

　　課程亮點

　　①學習計劃與時俱進，契合人工智能領域的人才需求與最新發展;

　　②學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驅動藥物發現等領域領先研究中心的支持;

　　④通過與業界及海外高校的緊密合作，提供大量實習與科研機會;

　　⑤優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)。