知識結構要求
數學基礎知識：數學分析、高等代數、離散數學、機率論與數理統計、最最佳化方法、數理邏輯等
學科基礎知識：人工智慧導論、資料結構與演算法分析、程式設計基礎、人工智慧程式設計、機器學習導論、知識表示與處理、模式識別與計算機視覺、自然語言處理、數字系統設計基礎、計算機系統基礎、作業系統等
專業方向知識：泛函分析、數字訊號處理、高階機器學習、計算方法、控制理論與方法、機器人導論、多智慧體系統、分散式與平行計算等
數學括展知識：數學建模、矩陣計算、隨機過程、組合數學、博弈論及其應用、時間序列分析等
學科括展知識：編譯原理、隨機演算法、資料庫概論、形式語言與自動機、計算機體系結構、軟體體系結構等
專業括展知識：自動規劃、歸納邏輯程式設計、學習理論導引、機率圖模型、強化學習、神經網路、啟發式搜尋與演化演算法、資訊檢索、語音訊號處理、深度學習與應用、複雜資料結構挖掘等。
其他：略
數學基礎課程大綱
“數學分析（一）”大綱
課程概要
| 課程名稱 | 數學分析（一）Mathematical Analysis (1) |
|---|---|
| 課程簡介 | 本課程屬於數學基礎課程，該課程講授數學分析的主要內容，包括極限理論、實數理論、一致連續性、一元函式微積分及其廣義積分等。 |
| 參考資料 |
教學內容
第一部分：函式、極限、連續
第二部分：一元函式微分學及其應用
第三部分：一元函式積分學及其應用
“數學分析（一）”大綱
課程概要
教學內容
第一部分：無窮級數
第二部分：多元函式微分學及其應用
第三部分：多元函式積分學及其應用
“高等代數（一）”大綱
課程概要
教學內容
第一部分：多項式
第二部分：行列式
第三部分：現行方程組
第四部分：矩陣
第五部分：二次型
“高等代數（二）”大綱
課程概要
教學內容
第一部分：線性空間
第二部分：線性變換
第三部分：\(\lambda\)-矩陣
第四部分：歐幾里得空間
第五部分：雙線性空間與辛空間
“離散數學”大綱
課程概要
教學內容
第一部分：邏輯與證明
第二部分：集合論
第三部分：歸納與遞迴
第四部分：關係
第五部分：代數系統
第六部分：圖論初步
第七部分：樹
“機率論與數理統計”大綱
課程概要
教學內容
第一部分：機率概述
第二部分：隨機變數及其分佈
第三部分：多維隨機變數及其分佈
第四部分：隨機變數數學特徵
第五部分：集中不等式
第六部分：統計概述
第七部分：引數估計
第八部分：假設檢驗
第九部分：迴歸分析與方差分析
“最最佳化方法”大綱
課程概要
教學內容
第一部分：引言
第二部分：凸集合
第三部分：凸函式
第四部分：凸最佳化問題
第五部分：對偶性
第六部分：凸函式最佳化
第七部分：平滑函式最佳化
第八部分：隨機最佳化
第九部分：分散式最佳化
第十部分：線上最佳化
“數理邏輯”大綱
課程概要
教學內容
第一部分：數理邏輯的歷史
第二部分：命題邏輯
第三部分：一階邏輯
第四部分：永真推理系統
第五部分：完全性定理
第六部分：Herbrand定理
第七部分：一階邏輯的Gentzen系統LK
第八部分：緊性定理
學科基礎課程大綱
“人工智慧導論”大綱
課程概要
教學內容
第一部分：搜尋——基本方法
第二部分：搜尋——啟發式方法
第三部分：搜尋——對手搜尋
第四部分：搜尋——高階方法
第五部分：知識——命題邏輯
第六部分：知識——一階邏輯
第七部分：知識——規劃與知識圖譜
第八部分：不確定性——機率方法
第九部分：不確定性——貝葉斯網
第十部分：學習——監督學習
第十一部分：學習——學習的原理
第十二部分：學習——學習模型
第十三部分：學習——強化學習
第十四部分：學習——無監督學習
第十五部分：應用——計算機視覺
第十六部分：應用——自然語言處理
第十七部分：應用——自主系統
第十八部分：關於人工智慧的討論
“資料結構與演算法分析”大綱
課程概要
教學內容
第一部分：基礎
第二部分：排序與選擇
第三部分：查詢及相關問題
第四部分：圖演算法（一）
第五部分：圖演算法（二）
第六部分：動態規劃
第七部分：獨立主題與高階主題
“機器學習導論”大綱
課程概要
教學內容
第一部分：緒論
第二部分：模型評估與選擇
第三部分：線性模型
第四部分：決策樹
第五部分：神經網路
第六部分：支援向量機
第七部分：貝葉斯分類器
第八部分：整合學習
第九部分：聚類
第十部分：降維與度量學習
暫略
以下內容暫略：
- “知識表示與處理”大綱
- “模式識別與計算機視覺”大綱
- “自然語言處理”大綱
- “數字系統設計基礎”大綱
- “計算機系統基礎”大綱
- “作業系統”大綱
- “程式設計基礎”大綱
- “人工智慧程式設計”大綱
專業方向課程大綱
“泛函分析”大綱
課程概要
教學內容
第一部分：抽象積分與測度
第二部分：空間及拓撲
第三部分：矩陣特徵值與函式演算
第四部分：運算元
“數學訊號處理”大綱
課程概要
教學內容
第一部分：概述（DSP應用及其影響概述，統計、機率和噪聲簡介）
第二部分：模數轉換與數模轉換，線性系統
第三部分：卷積和卷積的性質
第四部分：離散傅立葉變換及其應用
第五部分：傅立葉變換的性質，傅立葉變換對
第六部分：快速傅立葉變換
第七部分：連續訊號處理
第八部分：數字濾波器導引（移動平均濾波器，加窗sinc濾波器等）
第九部分：遞迴濾波器、切比雪夫濾波器、FFT卷積
第十部分：濾波器的比較
第十一部分：音訊處理
第十二部分：影像的形成及顯示
第十三部分：線性影像處理，成像級數
第十四部分：離散影像變換
第十五部分：影像復原
第十六部分：神經網路
第十七部分：資料壓縮
第十八部分：複數訊號處理
“高階機器學習”大綱
課程概要
教學內容
第一部分：前言
第二部分：降維與度量學習
第三部分：特徵選擇與稀疏學習
第四部分：計算學習理論
第五部分：半監督學習
第六部分：機率圖模型
第七部分：規則學習
第八部分：強化學習
“計算方法”大綱
課程概要
教學內容
第一部分：數值計算引論
第二部分：插值法
第三部分：函式逼近與計算
第四部分：數值積分與數值微分
第五部分：常微分方程初值問題數值解法
第六部分：方程求根
第七部分：解線性方程組的直接法
第八部分：解線性方程組的迭代法
“控制理論與方法”大綱
課程概要
教學內容
第一部分：控制系統的數學表示
第二部分：線性控制系統
第三部分：控制系統的特性
第四部分：線性定常系統
“多智慧體系統”大綱
課程概要
教學內容
第一部分：智慧體與多智慧體
第二部分：分散式問題的解決與規劃
第三部分：多智慧體學習
第四部分：多智慧體系統的應用
“分散式與平行計算”大綱
課程概要
教學內容
第一部分：平行計算硬體結構基礎
第二部分：並行演算法的設計
第三部分：並行數值演算法
第四部分：並行程式設計
暫略
以下內容暫略：
- “機器人學導論”大綱
專業選修（數學類）課程大綱
“數學建模”大綱
課程概要
教學內容
第一部分：平行計算硬體結構基礎
第二部分：並行演算法的設計
第三部分：並行數值演算法
第四部分：並行程式設計
專業選修（學科類）課程大綱
“隨機演算法”大綱
課程概要
教學內容
第一部分：平行計算硬體結構基礎
第二部分：並行演算法的設計
第三部分：並行數值演算法
第四部分：並行程式設計
暫略
以下內容暫略：
- “編譯原理”大綱
- “資料庫概論”大綱
- “形式語言與自動機”大綱
- “計算機體系結構”大綱
- “軟體體系結構”大綱
專業選修（專業類）課程大綱
“學習理論導論”大綱
課程概要
教學內容
第一部分：引論
第二部分：一般學習模型
第三部分：從理論到演算法
第四部分：其他學習模型
第五部分：部分高階理論
“機率圖模型”大綱
課程概要
教學內容
第一部分：簡介、機率論知識複習
第二部分：貝葉斯網
第三部分：無向圖模型
第四部分：貝葉斯網學習方法
第五部分：推斷、精確推斷方法
第六部分：EM演算法
第七部分：近似推斷：取樣
第八部分：近似推斷：變分、指數家族
第九部分：結構預測
第十部分：圖模型學習
第十一部分：推斷方法：最佳化
第十二部分：無向模型學習
“強化學習”大綱
課程概要
教學內容
第一部分：導引
第二部分：multi-armed bandit模型
第三部分：有限馬爾科夫決策過程
第四部分：動態規劃
第五部分：蒙特卡洛法
第六部分：時序差分（TD）法
第七部分：值函式近似法
第八部分：資格跡
第九部分：策略梯度法
第十部分：深度強化學習
第十一部分：大規模強化學習
第十二部分：模仿學習
第十三部分：多智慧體強化學習
第十四部分：對抗強化學習
“啟發式搜尋與演化演算法”大綱
課程概要
教學內容
第一部分：引言與搜尋問題
第二部分：隨機方法
第三部分：啟發式隨機搜尋基本概念
第四部分：啟發式隨機搜尋理論分析
第五部分：啟發式隨機搜尋方法設計
第六部分：啟發式樹搜尋
暫略
以下內容暫略：
- “自動規劃”大綱
- “歸納邏輯程式設計”大綱
- “神經網路”大綱
- “資訊檢索”大綱
- “語音訊號處理”大綱
- “深度學習與應用”大綱
- “複雜結構資料探勘”大綱
資料
南京大學人工智慧本科專業教育培養體系