IIIS本科生2021年秋季学期课程如下:

No. 年级学期 课程名称 学分 任课教师
1 一年级秋季学期 计算机入门 3 段然
2 一年级秋季学期 人工智能入门 3 吴翼、高阳
3 一年级秋季学期 线性代数 4 徐勇
4 二年级秋季学期 普通物理(2)英 4 孙麓岩
5 二年级秋季学期 算法设计 4 李建
6 二年级秋季学期 概率与统计 3 王禹皓
7 二年级秋季学期 人工智能:原理与技术 3 张崇洁
8 二年级秋季学期 数据库系统 4 张焕晨
9 三年级秋季学期 机器学习 4 袁洋
10 三年级秋季学期 量子通讯与密码 3 马雄峰
11 三年级秋季学期 高等计算机图形学 3 胡事民
12 三年级秋季学期 操作系统 4 徐葳
13 三年级秋季学期 数据挖掘 3 高逸涵
14 三年级秋季学期 自然语言处理 3 杨植麟
15 三年级秋季学期 人工智能交叉项目 6 袁洋
16 三年级秋季学期 AI与量子:基本概念研讨 2 段路明
17 三年级秋季学期 计算机网络基础 3 黄隆波
18 三年级秋季学期 计算生物学 3 曾坚阳
19 三年级秋季学期 人工智能芯片入门:从硬件描述语言到FPGA实现 3 马恺声
20 三年级秋季学期 智能系统与机器人 3 陈建宇
21 四年级秋季学期 计算机科学研究实践 9 交叉信息院一线骨干教师
1. 计算机入门

任课教师: 段然

这门课程研究了计算机科学的基础思想。课程和作业涵盖了许多课题,诸如硬件组织、网络、计算程序、计算限制以及图形等。

2. 人工智能入门

任课教师: 吴翼、高阳

本课程的目标旨在向学生介绍人工智能各方向科研科技热点与前沿成果,包括计算机视觉,机器人,强化学习,人工智能系统,与人工智能算法等,激发学生对人工智能领域的志趣,鼓励学生对人工智能的不同方向进行深度调研与了解。本课程属于人工智能班必修课程,主要面向大一新生。授课的方 式为邀请人工智能各领域的学界业界领军人才进行授课。

3. 线性代数

任课教师: 徐勇

线性代数在现代科学包括计算机科学、物理学、数学以及其交叉领域等学科有着广泛的应用。本课程将系统地阐述线性代数的基本概念和方法,包括矩阵理论以及应用,线性变换和向量空间等。具体包括:线性方程组,行化简和阶梯型,向量方程组,线性方程组的解,线性无关,线性变换,线性变换矩阵,矩阵代数,可逆矩阵的特征,行列式,子空间,零空间,列空间,基和维度,秩,本征值和本征向量,对角化和内积等。本课程侧重理论结合具体例子,通过这门课的学习,学生不仅可以掌握线性代数的基本理论和方法,同时抽象思维和推理能力将得以训练和提高。

4. 普通物理(2)英

任课教师: 孙麓岩

该课程为General Physics I的延续课程,面向于对物理和交叉学科感兴趣的本科生。这门课程将会涉及经典电动力学中最重要的课题,其中包括静电场、静磁场、麦克斯韦方程以及相对论。这门课程重点强调基本概念和解决实际问题的能力。学完这门课后,学生应该对基本经典电动力学有个很好的理解。

5. 算法设计

任课教师: 李建

本课程介绍算法设计的基础知识,常用算法设计技术,以及算法复杂性的分析。主要内容包括:算法分析工具,分治算法,动态规划,贪心算法等算法设计技巧,以及NP完全性,随机算法,近似算法等高级专题。

6. 概率与统计

任课教师: 王禹皓

统计学方法为人们从海量数据中提取有用信息提供了有力帮助。本课程主要介绍为分析高维模型与非参数模型而设计的现代统计学方法以及其理论基础。在这堂课上,我们会介绍近20年来发展的统计分析工具,分析它们的渐进性,了解其概率论基础,并展示如何应用这些统计工具分析实际数据。课程主题包括但不限于:高维与非参数估值,极小极大下界,多重假设检验,半参数模型。

7. 人工智能:原理与技术

任课教师: 张崇洁

这门课程介绍人工智能的基本原理与技术。具体内容包含搜索、约束满足、博弈、概率图模型、机器 学习、马尔可夫决策过程、以及强化学习等。这门课程的目标是:1)使得学生能够用学到的技术解 决现实生活中的新的人工智能问题;2)能使学生为进一步深入学习人工智能子领域打好基础。

8. 数据库系统

任课教师: 张焕晨

本课程旨在介绍现代数据库系统的核心概念和实现。这不是一门教授学生如何写数据库应用的课程 (比如表的模式设计,SQL编程等)。本课程是一门强调数据库内部构造和算法的计算机系统课程。课程中涉及到的主题包括关系模型和SQL,数据存储和索引,查询处理和优化,事务处理和并发控制,分布式和云数据库,以及数据库领域的一些 前沿科研课题。学生在选修本课程之前应对计算机系统有基本的了解。本课程不假设学生对数据库有以往的经验。本课程构成包括了课堂教学,书面习题,以及上机大作业。习题和大作业旨在帮助学生强化课堂学习内容,并且提供亲自动手搭建数据库系统的经验。学生在成功学完本课程后应能胜任(1)工业界的数据库开发工作,(2)研究生阶段对数据库系统科研的进一步探索。

9. 机器学习

任课教师: 袁洋

机器学习研究的内容是如何使计算机从经验中学习。通过结合理论计算机与统计学的思想,目前已开发出很多机器学习的算法,并成功应用于计算机视觉、生物信息学以及自然语言处理等多个领域。机器学习理论研究机器学习的根本问题,包括在什么条件下是可学习的,以及学习能力的理论极限是多少。

10. 量子通讯与密码

任课教师: 马雄峰

本课程主要介绍量子通信和量子密码研究前沿,包括:量子基础;量子纠缠理论;量子通讯及量子隐形传态;量子密码学;相关的物理实现。将讨论与此相关的各个领域,包括量子秘钥分发,量子网络,量子攻击,量子随机数发生器,量子隐形传态,多光子纠缠及基于量子光学的实验实现。阐述每个方向的基本理论和实验的想法,及当前研究的热点。鼓励学生学习针对其中一个方向的最新研究进展进行拓展学习。在课程最后,要求学生讨论和报告他们最感兴趣的研究方向的相关进展。本课程适合于高年级本科生。其目的是从理论和实验实现角度,为同学们提供一个量子信息科学方面的基础,并帮助未来的研究人员在量子通讯与密码领域选择自己的研究领域。

11. 高等计算机图形学

任课教师: 胡事民
本课程是为清华大学计算机系本科生开设的选修课,旨在介绍计算机图形学的基本概念、理论、方法和系统,主要内容包括:颜色模型、光照模型、明暗处理、纹理、光线跟踪算法、曲线曲面造型和几何处理等。

12. 操作系统

任课教师: 徐葳

本课程将讲授最基本的操作系统原理。主要内容包括:计算机与操作系统结构,机制与策略,资源管理,多任务系统,内存管理,文件系统,输入输出子系统及设备管理, 通信与网络,保护与安全。本课程要求学生课后积累动手经验。

13. 数据挖掘

任课教师: 高逸涵

本课程覆盖数据挖掘领域内的基本概念和许多前沿方向。前半部分课程主要介绍数据挖掘的基础方法和流程:数据准备、知识表示、分类算法、聚类算法、机器学习算法的泛化能力、结果的可信度、相关性分析等。后半部分课程介绍数据挖掘领域内数个更加前沿的研究课题。本课程定位为数据挖掘方向的一门初级课程,目的是简单的介绍数据挖掘领域的众多研 究方向,使得学生可以在课后自行继续深入学习感兴趣的子方向。

14. 自然语言处理

任课教师: 杨植麟

本课程将介绍自然语言处理领域的重要问题,包括语言建模、机器翻译、问答系统等,也将介绍针对这些问题的 核心技术,涵盖注意力神经网络、预训练模型等。本课程既关注基础算法的讲解,也关注技术的应用落地,同时 会讨论学术前沿的开放问题。

15. 人工智能交叉项目

任课教师: 袁洋

本课程是交叉信息研究院人工智能实验班的核心课程,在学生已经接受了系统的人工智能 技术的训练之后,第一次使用相关技术解决交叉领域的问题。课程将会分为几个主题,每 个主题下面会设置若干不同的项目。学生以1-2人为一组,选择某个项目,使用人工智能 技术解决具体的问题。课程的目标是让学生在学科交叉的背景下完整地完成一项人工智能 项目,理解人工智能的应用潜力和局限性,同时也理解为了落地人工智能技术,需要有什 么样的人员配合与数据支撑。本课程假设学生已经学过了机器学习与其他人工智能相关课 程,掌握了人工智能的基本工具(包括Python、GitHub、SSH等)。

16. AI与量子:基本概念研讨

任课教师: 段路明

本课程将组织学生讨论思考智能与量子科学中的基本概念与开放问题:包括自由意志、意识及其与智 能和量子科学的关系,情感与社会智能,量子计算与AI,创造性思维的要素及其在AI中的实现,生 命与智能的关系,未来智能。 通过讨论一些启发性的基本问题(如自由意志的本质,意识与智能的关系,情感、社会智能与通用智 能的关系,量子计算如何促进智能,如何让AI具有创造性,生命与智能的关系,未来智能的方向 等),本课程促使学生深入思考智能与量子科学中的基本概念与重大开放问题,激发学生对智能与交 叉科学方向中基本问题的研究兴趣。

17. 计算机网络基础

任课教师: 黄隆波

本课程旨在为学生全面地介绍计算机网络系统及其性能分析。课程内容分为两部分。第一部分讲述多种不同的网络组成及其性质,包括网络原理、以太网、WiFi、路由、互联、传输层、WiMax以及LTE、服务质量以及物理层知识。第二部分主要介绍用以分析计算机系统的数学工具及方法,包括凸优化、排队论、博弈论以及随机分析。本课程主要面向电子或者计算机大三或者大四的本科生。

18. 计算生物学

任课教师: 曾坚阳

计算生物学是一门典型的交叉学科,涉及的学科包括数学、统计学、化学、物理学、生物学和计算机科学等.就整个学科的内容而论,计算生物学最终是以生命科学中的现象和规律作为研究对象,以解决生物学问题为最终目标。计算生物学是生命生命科学的主要分支,它不仅能促进生命科学的发展,也可能为数学、计算机科学带领启示。本课程的教学目的就是让同学们对于计算生物学有一个了解和认识。本课程介绍为分析生物数据集(如DNARNA,蛋白基因和生物网络)的各种计算问题以及解决这些问题的算法。内容包括:生物序列分析,基因鉴定,监管主题发现,基因组组装,基因组复制和重排,进化理论,聚类算法,无标度网络。

19. 人工智能芯片入门:从硬件描述语言到FPGA实现

任课教师: 马恺声

本课程为教学与实验并重课程,以实现卷积网络为目标,从最基本的硬件描述语言到FPGA实现,达到团队合作后能够实现小规模卷积操作为目标。课业完成后能够掌握基本的数据流、控制流划分方法,能够对组合逻辑、时序逻辑、状态机等基本操作有从理论到编程能力的掌握。能够对基本的测试用例进行编写,并且完成对程序的测试。能够将以上程序映射到FPGA平台,完成烧写,调试等操作。能够对基本芯片设计流程有所了解,包括后端,验证等流程。对基本3*3卷积完成操作,能够以团队协作角度完成一个小型的AI加速器的设计。

20. 智能系统与机器人

任课教师: 陈建宇

本课程讲解了智能系统与机器人领域的理论基础以及先进技术。课程同时从传统机器人控制以及机器学习的视角 对相关内容进行讲授。课程内容涵盖机器人系统与问题建模、规划与控制、状态估计与感知,到直接法(基于模 型的学习)与间接法(无模型的学习)的自适应系统。课程的最后将讲解相关理论和技术在工业机械臂、无人车 等机器人系统上的应用。

21. 计算机科学研究实践

任课教师: 交叉信息院一线骨干教师

该课程为实践性课程。学生将赴国内外各著名研究院所进行为期一学期的研究实践,每位学生单独跟随各自的导师,参与到具体的、目前理论计算机领域最前沿的研究项目中去,进行研究型开发研讨等实践活动。该课程的目的是让学生真正接触到理论计算机科学研究的最前线,对自己所学理论知识有更深入、更实际的认识和应用。学生也有机会在该实践课程中在自己的研究实践领域发表论文。在该课程中,学生将会被要求进行正式的研究实践报告答辩,包括开题、期中和期末答辩。