年级学期 课程名称 学分
春季学期 深度强化学习 3
春季学期 网络空间中的安全技术 3
秋季学期 算法经济学 3
秋季学期 随机网络优化理论 4
春季学期 信息物理学 2
春季学期 量子电子学和高等原子物理学 2
秋季学期 高等量子信息学 3
春季学期 量化金融信用与风控分析 3
秋季学期 计算生物学热门课题 3
春季学期 高等计算经济学 3
春季学期 计算理论导论 3
秋季学期 算法分析与设计 2
春季学期 高等理论计算机科学 4
深度强化学习

现在深度强化学习取得了惊人的进展,在某些任务上已经达到或超越人类水平,例如围棋以及视频游戏, 因而它具有巨大的应用前景,并得到很大关注。该课程的目标是讲授深度强化学习基础知识以及前沿研究方向,使得该方向的研究生打好基础,同时也希望让其它方向的研究生能了解这些前沿技术并应用到他们的领域或开展交叉研究。

这门课程介绍讲授深度强化学习基础知识以及前沿研究方向。具体内容包含机器学习、深度学习、不确定性推理与规划、强化学习、以及概率图模型等。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研究深度强化学习打好基础。

网络空间中的安全技术

网络空间中的安全问题包括信息安全、系统安全和应用安全。信息安全利用加密算法、安全通讯协议保证数据的隐私性;系统安全利用沙箱、软件分析等机制来保护系统使用的授权;应用安全利用行为监测机制识别恶意应用。本课程将将介绍每一部分中典型的安全问题和解决方案,并要求学生在课程设计中实际应用。本课程会结合最新的研究成果讨论新场景下的安全问题,并利用新技术(如机器学习、可信任执行环境)解决安全问题的思路。

算法经济学

本课将提供一个计算科学和经济学交叉融合的框架分析算法服务产业的产业结构和管制。算法设计被广泛应用于平台经济、调度经济、租赁经济和分享经济等传统和新型市场中。算法的选取决定了这些经济的市场均衡、福利分布以及环境影响。和如何为企业设计好算法一样,上述问题也是计算机科学和经济学交叉性研究的前沿,更涉及到政府是否应该监管算法、如何监管算法等重要问题。例如,京东就承接了房屋租赁监管平台的构建。如何设计符合监管型平台的、区别于盈利型平台的算法就是计算机科学和经济学的交叉性研究前沿。 因此,本课程将分为两大组块。第一个组块,是现代经济中的算法设计;包括平台经济、调度经济、分享和租赁经济中的算法设计及其经济学基础。第一组块将具体介绍电力经济中,度算法的设计和选取;分享和租赁经济中的竞价算法设计、匹配算法设计等。 第二个组块,是算法设计的经济影响,包括算法设计对市场均衡形成的影响、算法设计和市场失灵、算法设计对福利分布造成的影响、算法设计对技术进步的影响等。具体内容包括:预测算法、非凸优化算法的选择,对电力市场市场均衡和系统污染物排放的影响。个人数据和信息交易市场化模型。租赁和分享经济的竞价算法和价格歧视;价格歧视的管制机制设计。 本课程拟采用计算机算法理论嵌入管制经济学框架的思路设计课程。第一组块和第二组块交织进行。通过管制经济学框架学习和平台经济算法设计文献阅读相结合的教学手段,实现课程目的。

随机网络优化理论

本课程将会为学生详细介绍近几年在网络科学研究方向上新兴的一门随机网络优化理论。其中内容包括各种queue stability的定义,不同的随机排队网络模型,最小drift网络控制算法设计原理以及Lyapunov drift系统分析。课程内容也包括介绍理论在不同科研领域的应用,并鼓励学生应用学到的知识进行研究。

信息物理学

本课程旨在引领研究生认识信息物理学这个迅速发展的领域。本课程将着重于计算和复杂性理论中最重要的概念,例如一些物理学中最令人费解的问题,可以通过信息理论来理解。我们会回顾经典信息理论,然后讨论如何用量子力学来扩展一些有趣的概念,还会讨论信息存储、能量提取和计算复杂性所带来的物理后果等。我们最后重点涉及量子随机处理、量子纠错、量子模拟、量子噪音和量子放大等重要的研究方向,以及它们当前的物理实现情况。

量子电子学和高等原子物理学

该课程为正在从事原子光子实验的研究生讲授量子电子学和高等原子物理学的实用知识。首先,我们对高斯光束、谐振腔、非线性光学、以及调制技术进行极其传统地探讨。其次,我们仔细探讨原子结构和原子光子作用。最后,光学放大和激光稳频谱又将之前的知识串了起来。一系列近来的科技发展成果也会被探讨,例如飞秒激光频率测量、激光冷却与囚禁、以及离子阱。

高等量子信息学

本课程主要对量子信息和量子计算的最新进展进行概述。本课程将在开头介绍一些密度矩阵和开放系统动力学的基础知识,并逐渐过渡到课程的核心内容。核心内容分为两部分:量子信息压缩和传输理论,以及拓扑量子计算。第一部分将讨论量子信息熵和量子典型性,这也会为对量子热力学感兴趣的同学提供一些有用的工具;第二部分将涉及任意子和几何相位,阐明任意子的统计对于实现稳定高效的量子计算的重要性。这门课程将对以上问题进行辩证性讨论,培养同学们的批判性思考能力和科学思维。

量化金融信用与风控分析

金融与互联网行业的深度结合带来了金融信贷模型的变革,这些变革对于普惠金融、个人和企业信贷带来了很多便利和新的市场形式。然而,新的互联网数据源也给征信模型的设计带来了新的科研问题,同时,互联网中广泛存在的欺诈行为也给这一新的信用模式带来了挑战。这一课程让学生理解这一领域在科研和实践中的最新进展,为学生开展这一方向的深入研究打下基础。本课程包括的模块有: 1. 信贷模型的架构与设计;2. 反欺诈模型的架构与设计;3. 行业实践案例。 在这一课程中,学生需要平均每周阅读2篇本领域最新论文,并且实际动手进行两个设计项目, 包括一个基于LendingClub信贷数据的信用数据建模项目和一个自由选题的团队研发项目。

通过这堂量化金融信用分析讨论课,同学们会深度接触互联网金融行业中建立信用风控模型的关键学术挑战和应对它们的解决方案。课程会包括两个设计项目,会亲手设计实现信用风控模型,并有机会了解接触信用反欺诈模型。优秀项目成果还有望投稿学术会议。

计算生物学热门课题

该课程主要面向对计算生物学有浓厚兴趣的研究生和高年级本科生开课。要求选课同学有良好的数学基础、以及一定的编程经验。 本课程的宗旨在于为学生介绍当前计算生物学的各个领域的研究进展及热点跟踪,并对学生感兴趣的研究问题进行进一步的讨论;以及帮助学生确立将来主要研究方向和明确将来研究目标。 课程内容包括:基本计算理论和方法,高通量生物数据分析方法,蛋白质的三维结构测定以及动态学习,蛋白质及药物分子设计,蛋白质折叠的计算模型,蛋白质组学,蛋白质相互作用网络,生物演化模型。 教学方式以课堂授课、系列讲座为主,辅以专题讨论,由学生进行论文阅读训练和综述汇报,以期帮助选课学生确定将来的研究方向。

高等计算经济学

本课程介绍经济学和计算机科学的交叉课题,从两个学科的角度深入探讨这一当前活跃的研究领域,以让学生具备在该领域独立进行科研的能力。

本课涵盖了计算经济学中经典的和最新的成果,学生在学期末应具有独立进行本方向科研的能力。从博弈论的基础知识介绍开始,涵盖了机制设计、拍卖、市场设计、社会选择理论及应用等多个领域,系统的讲述了计算机科学和经济学的交叉学科。

计算理论导论

        该课程主要面向理论计算机方向的低年级研究生开课,要求选课同学有良好的数学基础、以及基本的理论计算机基础。

        该课程向学生介绍计算理论的主要内容,侧重于近当代复杂性理论的重要主题,使学生了解复杂性理论领域的重要问题和结果。加强学生的理论计算机基础,同时帮助学生了解理论计算机学科算法方向的知识,以便选择自己将来的主要研究方向。

        课程内容包括:回顾可计算性理论的主要内容,介绍复杂性理论的基本主题,包括基本复杂性类如P、NP、PSPACE和BPP等;电路和Parity不在AC0中的证明;时间和空间层级定理;去随机化的主要结果;PCP定理和不可近似性;理论密码学;自然性证明等。

        教学方式以课堂授课为主,辅以专题讨论,由学生进行论文阅读训练和综述汇报,以期帮助选课学生明确今后的研究目标。

算法分析与设计

        该课程旨在通过向学生介绍算法设计和分析的高级技术、阅读当前算法设计领域的论文,加强学生的理论计算机基础,同时帮助学生了解理论计算机学科算法方向的知识,以便选择自己将来的主要研究方向。
       
        课程内容包括:基本算法设计技术的回顾,包括分治法、动态规划等;介绍随机算法和近似算法和设计与分析;就当前研究中的重要问题如计算几何中的重要问题;对次线性算法、在线算法和数据结构的研究等进行介绍。
        
        教学方式以课堂授课为主,辅以专题讨论,由学生进行论文阅读训练和综述汇报,以期帮助选课学生明确今后的研究目标。

高等理论计算机科学

        该课程主要面向对理论计算机及相关学科有浓厚兴趣的研究生开课。要求选课同学有良好的计算机应用数学,算法设计, 机器学习基础。
    
        本课程为全英文授课,旨为介绍理论计算机科学的一些前沿的主题:近似算法、随机算法、计算复杂性、优化理论、机器学习理论,并就大家感兴趣的问题进行深入的探讨;通过专题探讨,帮助学生确立今后研究的方向,明确研究的目标。 

        课程将快速回顾关于凸优化和机器学习的基础知识:线性/逻辑回归,正则化,牛顿法,随机梯度下降(不同步,方差减少法),生成与歧视,方差与偏差。现有的机器学习和预测算法方面:k-nn,SVM,内核技巧,聚类,Adaboost,梯度提升,随机森林。在线学习和顺序预测方面:多臂老虎机问题,通用投资组合,乘法加权法,在线凸优化,基本时间序列。基于线性代数的学习算法方面:SVD,主成分分析(PCA),独立分量分析(ICA),非负矩阵分解(NMF),主题建模,矩阵完成,字典学习,张量法,谱聚类。

        教学方式以课堂授课、系列讲座为主,辅以专题讨论,由学生进行论文阅读训练和综述汇报,以期帮助选课学生明确今后的研究方向。