复旦大学AI课

复旦大学机器学习、深度学习、人工智能课程汇总。机器学习最为现代热门话题之一，是关于设计可以从大量数据中自动挖掘有用的信息的一门课程。

AI

范佳媛：机器学习基础（FAET737006）

课程名称/Course Title：机器学习基础 课程代码/Course Code：FAET737006 任课教师/Instructor(s)：范佳媛 开课院系/School/Department：工程与应用技术研究院 适用学科专业 Discipline/Specia lization：计算机应用技术、生物医学工程、电子信息科学与技术 预修课程要求 Pre-requisite Course(s)：具备微积分、线性代数、概率论的知识，基本的编程训练 2008 年于哈尔滨工业大学信息与通信工程专业获得硕士学位。2013 年毕业于新加坡南洋理工大学电机与电子工程学院，并获得博士学位。之后于 2014 年 1 月加入新加坡资讯通信研究院担任研究员，从事图像与遥感信号处理、机器学习、信息安全等方面的课题研究，创造性的在国际上率先提出了多个代表性的图像篡改鉴定、遥感图像内容检测以及分割算法，并利用机器学习以及深度学习技术对算法进行了创新改进。2019 年 3 月份受聘复旦大学工研院青年副研究员。本人近五年已经在各类 CCF A/JCR一区期刊 IEEE T-PAMI/T-IP/T-IFS 或者会议上发表学术论文 20 余篇，部分论文被评为 ESI 高被引用论文和热点论文。博士期间一直担任 lecture 和教学助理。

课程简介Course Introduction： 机器学习最为现代热门话题之一，是关于设计可以从大量数据中自动挖掘有用信息的一门课程。 同时机器学习从本质上也是一个多学科的领域， 吸取人工智能、信息论、控制理论等学科的成果。该课程涵盖了机器学习的必要理论，原理和算法等基础知识。 这些方法建立在统计和概率的基础上，对于设计展示人工智能的系统已经变得至关重要。

教学目标/Course Objective： 本课程旨在让学生了解机器学习方面的主题。本课程将向学生介绍机器学习的基础知识，经典而常用的机器学习方法，并练习实施它们。通过学习本课程，学生不仅将了解学习的理论基础，还将获得快速而有力地将这些技术应用于新问题所需的实用技术。

教材： 机器学习 周志华 清华大学出版社 2016 年 1 月 MATHEMATICS FOR MACHINE LEARNINGM. P. Deisenroth, A. A. Faisal, and C. S. Ong Cambridge University Press 2019

1绪论：简述机器学习的起源和发展史，介绍专业术语和实际应用

2模型评估与选择：经验误差与过拟合、评估方法、性能度量、比较校验、偏差与方差等

3线性模型：基本形式、线性回归、线性判别分析、多分类学习等

4决策树：基本流程、划分选择、剪枝处理、连续与缺失值、多变量决策树等

5神经网络：神经元模型、多层前馈神经网络、神经网络的求解、局部最优和全局最优等

6支持向量机：间隔与支持向量、对偶问题、核函数、支持向量回归等

7贝叶斯分类器：决策理论、极大似然估计、朴/半朴素贝叶斯分类器、贝叶斯网、EM算法等

8实验课：监督学习 case study

9 集成学习：个体与集成、Boosting、Bagging与随机森林、结合策略、多样性等

10聚类：任务、性能度量、距离计算、原型聚类、密度聚类、层次聚类等

11降维：k近邻学习、多维缩放、主成分分析、核化线性降维、流形学习等

12实验课：无监督学习case study

13特征选择与稀疏学习：子集搜索与评价、选择、正则化、稀疏表示与字典学习、压缩感知等

14半监督学习：未标记样本、生成式方法、半监督SVM、基于分歧的方法、半监督聚类等

15规则学习：基本概念、序贯覆盖、剪枝优化、一阶规则学习、归纳逻辑程序设计、最小一般泛化等

16强化学习：有模型学习、免模型学习、值函数近似、模仿学习等

谢志鹏：机器学习（COMP737001）

课程名称（中文） Course Title (Chinese) ：机器学习 课程名称（英文） Course Title (English) ：Machine Learning 任课教师 Instructor(s) 谢志鹏 开课院系 School/Department ：计算机科学与技术学院 预修课程要求 Pre-requisite Course(s) ：高等数学、概率论、线性代数、计算机程序设计 谢志鹏，副教授，博士生导师，以第一作者在IJCAI、AAAI、ACL、ISMB、DASFAA、PAKDD、BIOINFORMATICS、JETAI、计算机学报、软件学报、计算机研究与发展等学术会议和期刊上发表论文30 余篇。2001 年-2003 年在新加坡国立大学从事博士后研究工作，2005年-2006 年在加州大学圣迭戈分校担任访问学者，2010 年-2011 年作为访问教授在南洋理工大学进行合作研究。作为负责人承担了多项国家自然科学基金课题、国家重点研发项目子课题、863 项目子课题、上海市科技创新行动计划课题等科研任务。

课程简介Course Introduction： 通过课程学习，让学生了解机器学习的基本概念和方法，掌握包括有监督学习和无监督学习等各类机器学习任务和相应算法，重点掌握相关任务的线性模型及其概率理论的基础，了解潜变量模型及其求解方法，了解神经网络和深度学习的基本知识及其在计算机视觉和自然语言处理中的应用，了解相关研究的最新进展以及与各应用领域的结合，具备相关论文阅读、算法实现和实验分析的基本能力。

教学目标/Course Objective： 1）掌握有监督学习和无监督学习的经典算法 2）掌握机器学习和模式识别问题的经典概率模型 3）了解深度学习在图像和文本数据上的应用 4）通过实践深入了解某些算法的具体实现，并在相关数据集上进行实验 5）改进算法的性能或使用已有算法解决应用问题

教材： 1 Pattern Recognition and Machine Learning Christopher Bishop Springer 2006 2 The Elements of Statistical Learning Trevor Hastie, Robert Tibshirani and Jerome Friedman, Springer 2009 3 Deep Learning Ian Goodfellow, Yoshua Bengio, and Aaron Courville MIT Press 2016

1机器学习引论（一） 了解什么是机器学习，了解机器学习任务类型；通过多项式曲线拟合的例子来了解机器学习中的过拟合问题。

2机器学习引论（二） 掌握概率论、决策论和信息论的基本念；了解模型选择和维度灾难；

3概率分布（一） 了解概率密度估计的参数化方法和非参数化方法；掌握极大似然估计方法；掌握共轭先验；掌握离散变量相关的概率分布，包括多项分布、Beta 分布、Dirichlet分布等等

4概率分布（二） 掌握高斯分布，了解其共轭先验；掌握非参数化密度估计方法，包括直方图估计、核密度估计和最近邻估计。

5线性回归模型： 掌握线性基函数模型和鲁棒线性回归模型；了解偏差-方差分解技术和贝叶斯线性回归模型。

6线性分类模型： 了解分类任务的判别函数、判别模型和生成模型；了解常见的判别式函数；掌握概率生成模型和概率判别 模型，掌握逻辑斯蒂回归模型；了解拉普拉斯近似和贝叶斯逻辑斯蒂回归。

7概率图模型： 掌握条件独立性与联合概率的因式分解；掌握有向图模型的条件独立性分析；了解无向图模型；了解图模型中的推理。

8EM 算法与高斯混合模型： 掌握高斯混合模型，掌握高斯混合模型的期望最大化求解算法；掌握通用的期望最大化算法；了解期望最大化算法的推广。

9神经网络与深度学习： 掌握反向传播算法的工作原因；掌握多层前馈网络、卷积神经网络以及循环神经网络的工作机制；了解深度学习在机器视觉和自然语言处理中的应用。

10经典机器学习方法： 决策树、K 近邻、朴素贝叶斯、随机森林、AdaBoost、K-Means 相关算法、层次聚类算法等等

11机器学习进阶： 了解半监督学习、自监督学习、迁移学习、联邦学习等学习任务及方法

池明旻：机器学习（COMP737001）

课程名称（中文） Course Title (Chinese)： 机器学习 课程名称（英文） Course Title (English)： Machine Learning 任课教师 Instructor(s) ：池明旻 开课院系 School/Department ：计算机科学技术学院 预修课程要求 Pre-requisite Course(s) ：《线性代数》 或《概率统计》等 池明旻，复旦大学计算机科学技术学院副教授，博导。2006 年从意大利特兰托大学获得计算机科学博 士学位。同时，从 2005 年 5 月到 2006 年 3 月期间，在德国图宾根马普智能系统所做学生访问学者, 并 先后在意大利特兰托大学、奥地利因斯布鲁克大学做访问教授。主要研究方向包括数据科学、机器学 习（深度学习）、人工智能和大数据，特别是设计机器学习和大数据分析处理算法对工业数据，科学 数据（包括遥感、天文、石油等）和社会数据（如交通、金融、经济、人口等）等应用领域的大数据 进行量化和关联分析。具体的方法用于如工业智能、财经分析、网络分析、图像分析、文本挖掘和信 号流数据挖掘等。

课程简介Course Introduction： 本课程介绍一系列数据分析的基本方法，主要介绍监督学习中的线性分类算法 以及非线性的求解问题和非监督学习中的聚类和降维问题，特别深度学习的基 础理论和最新进展，并向学生解释这些方法内在的本质和联系。

教学目标/Course Objective： 通过学习该课程，学生能独立地选择和使用所学的机器学习方法，结合多领域数据分析和解决实际问题。

教材： 1 Pattern Classification Richard O. Duda, Peter E. Hart, and David G. Stork John Wiley & Sons, Inc. 2nd Edition,2001 2 Machine Learning Tom Mitchell McGraw-Hill 1997 3 Pattern Recognition and Machine Learning Christopher M. Bishop Springer 2006 4 Doing Data Science: Straight Talk from the Frontline Rachel Schutt & Cathy O'Neil O'Reilly Media 2013 5 Deep Learning Ian Goodfellow, Yoshua Bengio and Aaron Courvill MIT Press 2016

1：Introduction to machine learning by case study on typical applications；

2：机器学习&深度学习基础；机器学习平台介绍；kNN 算法 k-NN 算法实现和应用（+ 预处理比较）

3：Linear regression and its extensions 线性回归的实现和应用

4：Decision Tree，Random Forest，GBDT 等 DT 的实现和应用

5：Logistic Regression（LR）， Perceptron LR 的实现和应用

6：Support Vector Machine (SVM), Support Vector Regression (SVR) SVM/SVR 的实现和应用

7：Multi-Layer Perceptron Neural Network (MLP-NN) MLP-NN 的实现和应用

9：卷积神经网络 CNN 基础 基于 CNN 的图像分类

10：CNN 应用，如目标检测、语义分割等 基于CNN的目标检测/语义 分割

11：迭代神经网络 RNNs 基于RNN的文本/语音分类

12：（深度）增强学习 （DL） DL 实现和应用

13：AutoML ENAS 的使用和应用

14：无监督学习: k-Means,高斯混合模型 gmm,主成分 分析 PCA 等 k-Means 的实现和应用

单洪明、浦剑：机器学习导论（STBI337002）

课程名称（中文） Course Title (Chinese)： 机器学习导论 课程名称（英文） Course Title (English) ：Introduction to Machine Learning 开课院系 School/Department： 类脑人工智能科学与技术研究院 适用学科专业 Discipline/Specialization： 应用数学、生物医学工程 任课教师 Instructor(s) ：单洪明、浦剑 预修课程要求 Pre-requisite Course(s) ：微积分，线性代数，概率论与数理统计，C/C++/Python 或任意一种编程语言 单洪明，青年研究员，博士生导师。博士毕业于复旦大学计算机科学技术学院，随后在美国伦斯勒理 工学院生物影像中心担任博士后和研究科学家。主要研究方向为人工智能和医学影像的交叉研究。先 后在 Nature Machine Intelligence、Nature Communications、IEEE TMI、IEEE ToC、CVPR、IJCAI 等发 表多篇论文。担任多个国际重要会议及期刊评审，获 IEEE TMI 杰出审稿人。获得上海脑中心求索研究 计划、上海市扬帆计划和上海市自然科学基金资助。 浦剑，复旦大学类脑青年研究员，主要从事人工智能、机器学习算法和应用的研究。曾在华东师范大 学计算机学院担任副研究员，主讲过本科生的《计算机视觉》，以及研究生的《深度学习》等课程。 于 2014 年在复旦大学计算机学院获得计算机应用的理学博士学位，2014-2016 年在中国科学院神经科 学研究所从事博士后研究。目前主持国家自然科学基金项目一项，并参与多项国家自然科学基金面上 和重点项目。

课程简介Course Introduction： 近年来，机器学习技术在自然语言处理、语音识别、图像识别、手写字符识别、 等诸多领域得到了广泛和成功的应用。本课程旨在为学生提供基本的机器学习 概念和应用背景，使学生们能够掌握主流机器学习算法的基本原理，培养学生 使用算法分析数据的思维方式，以便在遇到特定实际问题时，能够选择适当的 机器学习算法和模型进行问题建模和求解。

教学目标/Course Objective： 1. 通过本门课程的学习，使学生了解机器学习的基本概念、基本理论和应用背景； 2. 使学生掌握包括 Logistic 回归、最大似然估计、最大后验估计、梯度下降算法、线性回归、支持向量机等各类机器学习算法的基本原理； 3. 锻炼学生的动手能力，培养学生使用机器学习算法和模型解决实际问题的能力。

教材： 1 The Elements of Statistical Learning Trevor Hastie, Robert Tibshirani, Jerome Friedman 2 Pattern Recognition and Machine Learning Christopher M. Bishop 3 Machine Learning: a Probabilistic Perspective Kevin Patrick Murphy 4 机器学习 周志华 5 统计学习方法 李航 6 机器学习基础 张文生等译

1机器学习简介

2线性回归

3稀疏编码

4支持向量机

5核方法

6Logistic 回归

7Boosting

8泛化、过拟合与正则化

9PCA

10模型选择

11维数约简

12EM方法

13聚类

14半监督学习

15神经网络

康晓洋：神经网络与人工智能（FAET820004）

课程名称/Course Title：神经网络与人工智能 课程代码/Course Code：FAET820004 任课教师/Instructor(s)：康晓洋 开课院系/School/Department：工程与应用技术研究院 适用学科专业 Discipline/Specia lization ：计算机应用技术、生物医学工程、微电子学与固体电子学等 预修课程要求 Pre-requisite Course(s) ：计算机、电子信息、生物医学等 康晓洋，青年副研究员，硕士生导师。2010 年获西安电子科技大学学士学位，2016 年获得上海交通大学博士学位。2016 年至 2018 年在瑞士洛桑联邦理工学院进行博士后研究。2018 年 10 月入职复旦大学。共发表期刊和会议论文 27 篇，获得国家发明专利授权 16 项，负责国家与省部级项目 3 项。主要从事生物医学微机电器件与系统、神经工程与脑机交互等研究，可应用于植入式/穿戴式刚性、柔性与软性神经接口器件，神经假体与神经康复，人机交互、意念控制、人工智能等领域。

课程简介Course Introduction： 本课程主要讲解时空脉冲神经网络这一最新的神经网络及其应用，对神经网络、人工智能领域具有显著的推动作用。时空脉冲神经网络区别与一般的神经网络，其处理的基础是时序的脉冲序列。目前的人工神经网络通常是全连接的，接收连续的值，输出连续的值。尽管当代神经网络已经让我们在很多领域 中实现了突破，但其实并不能模仿生物大脑神经元的运作机制，脉冲神经网络模拟神经元更加接近实际，拥有更强大的计算能力，可以任意逼近非线性函数和模拟生物神经网络信号，是处理复杂时空信息的有效工具。还将介绍人类大脑和受大脑启发的脉冲神经网络中的深度学习和深度知识表示，而且进一步发展了新型的人工智能系统，即称为受大脑启发的人工智能。

教学目标/Course Objective： 通过神经网络与人工智能的学习，要求掌握时空脉冲神经网络的原理、类型与使用方式，理解时空脉冲神经网络在人工智能应用中的基本模型、算法方面所起的作用，了解时空脉冲神经网络的应用场景及其与智能机器人、人工智能、脑科学等的集成与应用。

教材： 1Time-Space, Spiking Neural Networks and Brain-Inspired Artificial Intelligence Nikola K. Kasabov Springer-Verlag GmbH Germany2019 2 Evolving connectionist systems: From neuro-fuzzy-,to spiking and neurogenetic Nikola K. Kasabov Springer 2015 3Springer Handbook of Computational Intelligence J. Kacprzyk Springer 2015

CHAPTER 1 Evolving Processes in Time-Space. Deep Learning and Deep Knowledge Representation in Time-Space. Brain-Inspired AI ( Pages: 3-36)

CHAPTER 2 Artificial Neural Networks. Evolving Connectionist Systems. ( Pages: 39-78)

CHAPTER 3 Deep Learning and Deep Knowledge Representation in the Human Brain (Pages: 87-120)

CHAPTER 4 Methods of Spiking Neural Networks ( Pages:127-164)

CHAPTER 5 Evolving Spiking Neural Networks ( Pages:169-198)

CHAPTER 6 Brain-Inspired SNN for Deep Learning in Time-Space and Deep Knowledge Representation. NeuCube ( Pages: 201-242)

CHAPTER 7 Evolutionary- and Quantum-Inspired Computation. Applications for SNN Optimisation ( Pages: 245-285)

CHAPTER 8 Deep Learning and Deep Knowledge Representation of EEG Data ( Pages: 291-333)

CHAPTER 9 Brain Disease Diagnosis and Prognosis Based on EEG Data ( Pages: 339-357)

CHAPTER 10 Deep Learning and Deep Knowledge Representation of fMRI Data ( Pages: 361-391)

CHAPTER 11 Integrating Time-Space and Orientation. A Case Study on fMRI + DTI Brain Data ( Pages: 397-421)

CHAPTER 12 Audio- and Visual Information Processing in the Brain and Its Modelling with Evolving SNN ( Pages: 431-455)

CHAPTER 13 Deep Learning and Modelling of Audio-, Visual-, and Multimodal Audio-Visual Data in Brain-Inspired SNN ( Pages: 457-474)

CHAPTER 14 Brain-Computer Interfaces Using Brain-Inspired SNN ( Pages: 479-499)

Part VII Deep in Time-Space Learning and Deep Knowledge Representation of Multisensory Streaming Data

Part VIII Future Development in BI-SNN and BI-AI

赵冬华：神经网络和深度学习（STBI737001）

课程名称（中文） Course Title (Chinese) ：神经网络和深度学习 课程名称（英文） Course Title (English) ：Neural Networks and Deep Learning 开课院系 School/Department ：类脑智能科学与技术研究院 任课教师 Instructor(s) ：赵冬华 Donghua Zhao 预修课程要求 Pre-requisite Course(s) ：高等数学、线性代数、概率论 Advanced mathematics 、Linear Algebra、Probability theory 赵冬华，2005-今，复旦大学数学科学学院任教。研究领域：非线性科学，包括神经网络，复杂网络。曾担任高等数学、线性代数、数理统计、时间序列分析、数字信号处理、深度学习等课程教师。 Zhao donghua, 2005 - present, school of mathematical sciences, Fudan university. Research field: nonlinear science, including neural networks, complex networks. She has taught courses such as advanced mathematics, linear algebra,mathematical statistics, time series analysis, digital signal processing, and deep learning.

课程简介Course Introduction： 深度学习是机器学习的一个分支，它能够使计算机通过层次概念来学习经验和理解世界。本课程囊括了数学及相关概念的背景知识，介绍工业界中用到的深度学习技术。本课程还将介绍认识世界的新视角-复杂网络以及基于复杂网络的深度学习。

教学目标/Course Objective： 通过本门课的学习，使同学们掌握深度学习和基于复杂网络建模的原理，能够运用编程工具进行数据 分析。

教材： 1深度学习Deep Learning Lan Goodfellow, Yoshua Bengio,Aaron Courville 978-7-115-46147-6 人民邮电出版社 Posts& Telecom Press 2017/08 2基于复杂网络的机器学习方法Machine learning methods based on complex networks Thiago Christiano Silva,Liang Zhao 978-7-111-61149-3 机械工业出版社 China Machine Press 2018/10 3 Keras快速上手 Quick learning Keras 俞栋、张察 978-7-121-31872-6 电子工业出版社 Publishing House of Electronics Industry2017/08

1-线性代数基础-Linear Algebra

2-概率与信息论-Probability and Information Theory

3-数值计算-Numerical Computation

4-Python、Keras 介绍-Introduction to Python and Keras

5-机器学习基础-1-Machine Learning Basics- I

6-机器学习基础-2-Machine Learning Basics- II

7-深度前馈网络-Deep Feedforward Networks

8-深度学习中的正则化-Regularization for Deep Learning

9-深度模型中的优化-Optimization for Training Deep Models

10-卷积网络-Convolutional Networks

11-循环和递归网络-Sequence Modeling: Recurrent and Recursive Networks

12-图神经网络-Graph Neural networks

13-复杂网络-Complex Networks

14-基于网络的机器学习概述-Introduction to

15-网络构建技术-Technology for Networks Construction

16-基于网络的监督学习-Supervised Learning Based on Networks

卢文联：人工智能模型与算法（无）

课程名称/Course Title：人工智能模型与算法 课程代码/Course Code：Models and Algorithms in AI 开课院系/School/Department：上海数学中心 适用学科专业 Discipline/Specia lization ：应用数学，电子信息 任课教师/Instructor(s)：卢文联 预修课程要求 Pre-requisite Course(s) ：数学分析、线性代数、概率论、数据结构 卢文联，应用数学博士，复旦大学数学科学学院/上海数学中心联聘教授/博导，IEEE 高级会员，曾 任 IEEE 会刊 TNNLS 编委。德国马克斯普朗克科学数学研究所从事博士后（2005-2007），英国华威大学玛丽-居里高级访问学者 2012-2014）。全国百篇优秀博士论文奖（2007）和亚太神经网络联合会优秀青年学者奖（2011）获得者，教育部新世纪人才计划（2013）。从事人工神经网络、计算神经科学和复杂网络系统智能控制领域的研究,以及人工智能算法为核心的技术创新与产品研发。发表 SCI 期刊论文80 余篇，SCI 他引超过 3000 次，出版专著 2 部，曾获得国家自然科学二等奖（2015）、教育部高等学校优秀科研成果二等奖（2015）和上海市自然科学二等奖（2008），主持与承担国家地方纵向与横向项目 20 余项。

课程简介Course Introduction： 从数学与统计的角度，全面阐述人工智能相关模型与算法的数学理论与方法基 础，并通过一些前沿人工智能相关科学与工程问题的应用加以佐证。

教学目标/Course Objective： 讲授如下内容：函数论、线性代数、概率论基础、贝叶斯方法与贝叶斯学习；模式识别基础（分类、 聚类与回归）；因果分析与贝叶斯网络；神经网络基础；深度学习与强化学习；集成学习；启发式群体 优化方法；知识表达与推理；应用：计算机视觉，自然语言处理，机器人学。使学生掌握课程设计人 工智能方法的数学与统计理论基础；掌握课程中介绍的经典算法；能使用至少一种编程语言和 AI 开发 平台独立完成 1 个小项目。

教材： 1 Deep Learning I Goodfellow, Y Bengio, A Courville The MIT Press 2016 2 Reinforcement Learning: An Introduction Richard S. Sutton and Andrew G. Barto The MIT Press 2012 3 Nature of Statistical Learning Theory Vladimir VapnikSpringer 2000 4 Practical Machine Learning with Python Dipanjan Sarkar, Raghav Bali, Tushar SharmaApress 2018

1数学与统计理论基础

2模式识别的统计基础

3因果分析与贝叶斯网络

4神经网络基础与学习理论及算法

5启发式优化方法

6知识表达与推理

7应用

吴祖煊：人工智能模型安全（无）

课程简介Course Introduction：



教学目标/Course Objective：



教材：



内容：



徐丰、陈涛：人工智能（无）

课程名称/Course Title：人工智能 课程名称（英文） Course Title (English) ：Artificial Intelligence 开课院系/School/Department：信息科学与工程学院 适用学科专业 Discipline/Speci alization： 电子科学与技术、信息与通信工程、电子信息 任课教师/Instructor(s)：徐丰、陈涛 预修课程要求 Pre-requisite Course(s) ：高等数学、线性代数、计算机程序设计、概率论 徐丰，复旦大学信息学院教授、博士生导师，电磁波信息科学教育部重点实验室副主任，IEEE 地球科学与遥感快报（GRSL）副主编。国家万人计划领军人才、青年千人计划入选者。2003 年毕业于东南大学，2008 年获复旦大学博士学位，2008-2013年分别于美国大气海洋局卫星应用研究中心、美国 NASA 戈达德太空飞行中心和美国智能自动化公司工作。曾获国家自然科学二等奖、教育部自然科学一等奖、IEEE 地球科学与遥感学会青年成就奖、美国 SUMMA 研究生奖金等。发表专著 3 部，SCI 论文60 多篇，Google Scholar 引用 3000 多次。研究方向为雷达成像与智能信息获取。 陈涛：陈涛，复旦大学信息学院研究员，博士生导师，国家青年千人。2012 年毕业于新加坡南洋理工大学获得博士学位，之后在新加坡智能机器人实验室、新加坡资讯通信研究院等政府研究机构从事视觉计算与机器学习的研究开发工作，承接并参与了一系列新加坡政府和企业的重大课题。2017 年至 2019 年在华为亚太研究院新加坡研究所从事 AI 芯片的研发工作，并有多款实际芯片产品落地。迄今为止，已在CCF A 类或者 JCR 一区的人工智能刊物如 IEEE T-PAMI/T-IP/CVPR/ACM MM 等期刊和会议上发表学术论文 40 余篇，授权美国专利一项。

课程简介Course Introduction： 近年来，人工智能技术在深度学习理论的发展下得到快速推动，与各个学科产生交叉并成为各领域研究前沿，同时人工智能技术产生的应用已逐渐开始影响我们的生活，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。该领域的研究包括机器视觉、语言识别、自然语言处理和专家系统等。电子信息类各专业旨在培养具有良好的数理基础，具有初步的研究能力和一定的解决工程技术问题的实际工作能力，具有前沿思维和初步前沿知识的高水平复合型人才。本课程的开设结合当前科技热点，探索认知以深度学习为基础的人工智能前沿研究方向和激发学生对当前科技热点研究兴趣为目的，能有效补充目前培养方案中前沿课程缺乏的问题。此外，当前业界对于人工智能技术人才需求很大，本学院本科生通过对该选修课的学习获得初步知识，可有效拓展他们的就业面。

教学目标/Course Objective： 通过本课程学习，了解深度学习等最新人工智能技术进展，掌握深度神经网络主流工具箱的使 用和典型应用的开发，探索认知人工智能等前沿研究方向，激发人工智能研究兴趣。

教材： 1 《Deep Learning》 GoodfellowI., Y., A.Courville,MIT Press 2016 2 《深度学习讲义》 本教学团队 无 2020 3 《动手学深度学习》 李沐 人民邮电出版社 2019

1绪论

2人工智能数学基础

3人工智能导论与机器学习

4深度学习基础

5深度神经网络

6计算机视觉与深度卷积网络

7图像分类应用

8目标检测与识别

9图像分割应用

10图像生成与转换