澳 门 科 技 大 学
人工智能博士学位课程–科目简介
必修科目
DIAZ12学术专题项目（2 学分）
本课程旨在拓展学生视野，通过学术研讨会等方式让学生面对面交流，获得更多人工智能等最新知识。
DIAZ01人工智能原理（3 学分）
人工智能是研究如何用计算机软件和硬件去实现人类的智能，即如何感知并作用于外部环境。本课程在系统论述人工智能的发展史及其研究体系的基础上，将其基本原理梳理为求解、规划、学习与推理这四大部分。本科目重点讲述如下三个部分：
1) 搜索问题、优化问题、博弈问题、以及约束问题等问题求解方法；
2) 自动规划、运动规划、决策理论规划等人工智能规划方法；
3) 知识表征方法及其推理机制。
而学习部分将放在《机器学习》科目中讲述。
DIAZ02机器学习（3 学分）
机器学习是人工智能的一部分。本科目系统论述其发展历史、基础学科，论述研读机器学习的难点与要点，在此基础上，从理论“框架”、算法“范式”、抽象“任务”这三个视角详细地讲述机器学习。主要内容如下：
- 概率、统计、几何、联结、符号、以及行为理论框架；
- 监督学习、无监督学习、强化学习这三大范式。还涉猎迁移学习、元学习等；
- 分类、聚类、降维、回归、关联、决策等抽象任务。
DIAZ11文献综述与选题报告（2 学分）
本课程旨在指导学生了解人工智能领域的研究现状，通过文献综述的方式帮助学生更好的了解本领域中待解决的问题以及可能的解决方案，以指导学生更好的选择研究方向，完成博士研究课题的选题设定。
DIAZ13论文（18 学分）
本课程是论文指导老师与学生进行一对一的指导，向学生传授撰写学术论文的基本步骤、论文课题的选取、文献综述、研究方法的选择、结论以及未来研究方向的把握等。学生在导师帮助下，可以从应用数学、数据挖掘、机器学习等研究方向进行选题并最终完成一篇经过导师确认的专业学位论文。
选修科目 Elective Courses
DIAE01深度学习（3 学分）
本课程面向研究生系统性的介绍深度学习的基本原理与理论体系，帮助研究生形成对深度学习理论全面和深入的了解。课程覆盖的主要内容包括：深度学习的数学基础、前馈神经网络、卷积神经网络、正则化与优化问题、循环神经网络、自编码器、表示学习、结构化概率模型、生成模型等，并介绍深度学习的一些代表性应用实例。
DIAE02计算机视觉（3 学分）
本课程从经典方法和深度学习模型两个方面入手介绍计算机视觉的理论基础和研究方法框架。其中经典计算机视觉包括手工特征学习方法、三维物理世界到二维图片平面的投影变换等技术；深度学习相关的计算机视觉则会介绍目前基于深度神经网络模型的最前沿的理论技术，同时对常见的计算机视觉任务如图像分类、物体检测、行为识别等也会进行概述。学生根据所学内容，选读相关论文幷给出相应报告。
DIAE03自然语言处理（3 学分）
本课程的主要内容包括： 1) 自然语言处理的数学基础，n元语法模型、概率生成/判别模型、词向量模型等；2) 自然语言处理的语言学基础、拼写规则、词性、语义消岐、概率句法分析等；3) 自然语言处理的应用，如文本的分类与聚类、情感分析、资讯检索、机器翻译、对话系统等。
DIAE04算法与计算复杂性（3 学分）
本课程旨在介绍算法的分析与设计原理。内容包括：算法分析、分治策略、动态规划、贪婪算法、图算法、最大流问题、概率分析及随机算法等。
DIAE05数字图像处理（3 学分）
本课程旨在介绍数字图像处理的基本原理、方法及应用。内容包括数字图像的预处理、空域和时域的变换及滤波、数据编码压缩、特征描述子设计及提取等基本方法。同时介绍了传统的统计模式识别，结构模式识别方法，幷用实际案例阐述了其在不同领域中的应用。学生应根据所学内容，选读相关论文幷给出相应报告。
DIAE06人工智能专题（3 学分）
本课程旨在拓展学生视野，让学生了解人工智能领域的最近进展、应用趋势和产业发展规律。