人工智能(Artificial Intelligence),是一个以
计算机科学(Computer Science)为基础,由计算机、心理学、哲学等
多学科交叉融合的
交叉学科、
新兴学科,研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及
应用系统的一门新的
技术科学,企图了解智能的实质,并生产出一种新的能以
人类智能相似的方式做出反应的
智能机器,该领域的研究包括机器人、
语言识别、
图像识别、
自然语言处理和
专家系统等。
设立背景
为服务国家战略需求,积极推动
新兴交叉学科发展,促进高层次复合型人才培养,
中国科学技术大学(中科大)将新增设立人工智能一级
交叉学科博士学位授权点和量子科学与技术一级交叉学科博士学位授权点以及
临床医学专业学位博士授权点。
国务院学位委员会正式发布了《2019年学位授权自主审核单位增列的学位授权点清单》,
华中科技大学(华中大)人工智能与
自动化学院牵头申报的人工智能交叉学科博士学位授权点成功获批。研究方向包括计算机视觉与
感知智能,
机器学习与计算智能,
认知计算与类脑智能,无人系统与
群体智能,人机共融与智能控制,以及包括智慧医疗、智慧交通在内的“人工智能+X”等领域的研究。
相似学科
设立院校
培养目标
品德素质方面
热爱祖国、热爱人民,拥护党的路线、方针和政策,树立和践行社会主义核心价值观。遵纪守法,具有较强的
社会责任感和
事业心,具备良好的
道德品质,恪守科研诚信与伦理,严守
学术规范,具备国际化视野、创新意识和团队精神,愿为
中国特色社会主义事业贡献力量。
知识水平方面
具有坚实的人工智能领域相关学科
基础理论知识和专业技能,深入了解本领域的发展方向,系统掌握
人工智能学科相关研究领域的理论、技术和方法,具备
多学科交叉的
知识体系和学习能力。博士生突出广泛掌握人工智能国际前沿学术方向和行业
先进技术趋势,了解国际前沿理论、技术以及需求热点;硕士生突出夯实本领域基础理论,快速获取跨学科知识和
共性技术,并能够综合运用。
能力素质方面
博士生突出提高原始
创新能力,具有较强的系统构建能力和一定的科研
组织能力,能够在解决行业企业
重大工程实践中凝练
科学问题、创新
研究方法、转化先进技术,深入开展多领域
交叉创新应用和开展
学术交流,能够承担高校及研究机构的教学科研工作、从事人工智能工程技术
项目管理工作等。硕士生突出提高
综合应用能力,具有人工智能系统的设计、实现、测试和应用验证能力,以及良好的
职业素养和沟通协作能力,能够综合运用多学科理论技术解决行业企业智能化面临的实际问题。
培养方向
按照教育部、国家发展改革委、财政部三部委文件的要求,与本领域发展定位、学校学科布局和师资结构相适应的具体培养方向,可参考如下设置:
(一)人工智能基础理论研究相关方向,如:人工智能模型与理论、人工智能
数学基础、优化理论
学习方法、机器学习理论、
脑科学及
类脑智能等。
(二)人工智能共性技术相关研究方向,如:智能感知技术、
计算机视觉、
自然语言理解、智能控制与决策等。
(三)人工智能支撑
技术研究方向,如:人工智能架构与系统、人工智能
开发工具、人工智能框架和
智能芯片等。
(四)
人工智能应用技术相关研究方向,
包括但不限于:
智能制造、机器人、
无人驾驶、
智能网联汽车、智慧交通、
智慧医疗、
机器翻译和
科学计算等,充分发挥人工智能对各个学科或领域的
赋能作用,形成特色培养方向。
(五)人工智能与智能社会治理相关研究方向,如基于人工智能技术属性与
社会属性紧密结合特征的人工智能伦理与治理,以及可信安全、
公平性和
隐私保护等方面
相关技术方向。
研究生培养课程体系
基础知识类课程
人工智能模型与理论:重点讲解人工智能基本算法、模型和理论。内容主要包括以
符号主义为核心的
逻辑推理、以
问题求解为核心的探询搜索、以
数据驱动为核心的机器学习、以行为主义为核心的
强化学习和以博弈对抗为核心的决策智能等算法以及人工智能与科学计算相结合算法。
数学优化:从凸优化入手,介绍优化核心原理、基本方法和
前沿技术,为智能方向的科学探索做理论准备。本课程将帮助学习者正确理解优化复杂度的概念,掌握分析凸优化复杂度的基本方法,了解一阶、二阶方法在不同问题类上的求解性能,熟悉包括
免疫算法、
粒子群算法等的多种优化方法的基本思路,不断提高分析
解决实际问题的能力。
机器学习:本课程致力于介绍经典的
机器学习算法,让学生初步掌握机器学习领域的基本方法与蓝图。通过掌握机器学习的算法与理论知识,能查阅并理解相关领域的前沿文献,同时熟练使用相关的机器学习算法,解决流行的人工智能领域应用问题,为今后在
深度学习相关教学、科研和
项目开发工作中深入解决实际应用问题打好基础。
专业知识类课程
计算机视觉:首先介绍计算机视觉领域的发展历史和主要应用,之后讲解计算机视觉的主要任务和应用场景,包括成像原理、边界和曲线、
图像分类、
图像分割、
目标检测、
形状分析、
纹理分析、图像重构、
图像生成、
人脸识别等;着重介绍以上主要任务中的
关键技术难题、重大
技术突破,针对这些任务的主流方法,特别是基于
统计模式分类和
人工神经网络的方法。
自然语言处理:具体内容包括自然语言处理中的
词法分析、
句法分析、
语义分析以及语用分析等基本任务,情感倾向分析、文本摘要、
对话系统、
问答系统、机器翻译等自然语言处理重要应用所要解决的基本问题和难点,以及如何利用机器学习、深度学习等手段求解各种自然语言处理问题。
神经与认知科学导论:首先介绍
神经认知科学的基本概念、历史和发展现况,进一步讲解基于认知活动的脑机制,即人类大脑如何调用其各层次上的组件,包括分子、
突触、细胞、
脑组织区和全脑去实现各种认知活动,最后介绍相关的
计算模型和算法。课程将从细胞机制和
神经元模型、大脑的结构和
功能组织、感知原理及模型、记忆的基础理论及模型、
学习机制及学习算法、
脉冲神经网络的概念、结构以及应用等方面进行展开,旨在加深同学对
认知神经科学的理解。通过对这门课程的学习,学生应该掌握认知神经科学的基本内涵,熟悉借鉴大脑机制的学习、记忆等计算模型及算法,同时启发同学们对人工智能在可解释性、
自适应学习和非完备
信息推理等基础理论的瓶颈问题的思考。
人工智能安全与治理导论:使学生能够了解人工智能技术的安全和伦理问题,并了解相关的治理规范和防御方法,助力人工智能技术的健康发展。
机器人学与智能控制导论:程讲解机器人和控制领域基础知识和最新研究成果,主要包括
机器人运动学、
动力学,基于视觉、激光、超声等多传感器信息的场景感知技术,利用最新的人工智能方法实现机器人智能控制等。
人工智能架构与系统:讲解支持深度学习的
计算机系统架构和设计方法,包括人工智能算法
硬件加速、软硬件协同
智能计算架构、云-边缘-端
智能系统、后摩尔时代智能计算
发展趋势等。