Applied Artificial Intelligence MSc

该课程共包含8门必修模块，授课时间通常为10月至次年3月。各模块聚焦人工智能与智能系统核心领域，强调理论与实践结合，并注重伦理、社会及工程应用的多维融合。主要内容如下：

- 数据分析与可视化：涵盖数据预处理、预测/描述性分析、聚类、图分析及可视化工具，培养全流程数据洞察力。
- 面向自主决策的深度学习：讲授RNN、NLP、大语言模型（LLM）、强化学习（RL）及图神经网络（GNN），辅以TensorFlow/PyTorch实战。
- 面向计算机视觉的深度学习：深入CNN、RNN、生成式AI等架构，覆盖目标检测、分割、跟踪等工业级视觉任务。
- 人工智能的伦理、监管与社会影响：从伦理原则、法规框架（如GDPR、AI法案）到社会心理与人因工程，强调负责任AI设计。
- 多智能体系统（MAS）：基于图论与控制理论，研究共识、编队、鲁棒性及多机器人协同路径规划，含MATLAB实践。
- 搜索与优化：涵盖线性/非线性规划、整数规划、元启发式算法及多准则决策分析，支撑AI中的智能决策建模。
- 智能信息物理系统（CPS）：整合感知、计算、控制与网络技术，开展机器人框架开发与仿真性能评估。
- 统计学习方法：夯实概率统计基础，讲授贝叶斯方法、马尔可夫模型、卡尔曼滤波及回归/分类建模，面向不确定性量化与航空航天案例。

所有模块均设明确学习成果，强调问题建模、算法选型、实验验证与跨学科批判性思维能力培养。