北京中关村学院 2025 课程简介
一、计算机视觉
本课程旨在培养学生理解和应用计算机视觉技术的能力，涵盖图像处理、特征提取、目标检测、图像分割、三维重建等核心内容。课程结合理论与实践，通过算法讲解和项目实践，帮助学生掌握从基础到前沿的视觉技术，如卷积神经网络（CNN）、Transformer等深度学习模型。学生将学习如何利用计算机视觉解决实际问题，并熟悉常用工具和框架。
二、 自然语言处理
本课程系统介绍自然语言处理（NLP）的基础理论、关键技术与前沿进展，涵盖传统统计方法、深度学习方法及大语言模型的核心技术。课程内容包括NLP基础任务、统计语言模型、神经网络方法、预训练与大语言模型、提示学习与模型对齐技术，以及大语言模型的最新研究与应用。通过理论与实践结合，帮助学生掌握NLP的核心方法并了解领域最新动态。
三、 高级机器学习
《高级机器学习》课程是一门面向人工智能与机器学习方向的专业核心课程，具有系统性和较强的理论深度。课程内容涵盖机器学习的数学基础、知识推理与自然语言处理、图神经网络、生成模型等核心领域。此外，课程还通过习题讨论课进行前沿研究论文的分享与交流，拓展学生的学术视野，培养自主学习和批判性思维能力。
四、深度学习
本课程将系统介绍机器学习与深度学习的基础概念与历史背景，从线性分类器出发，逐步探讨常见的监督学习、无监督学习与回归方法，并详细讨论优化技术与多层感知机（MLP）的工作原理。随后，课程将重点关注卷积神经网络（CNN）、循环神经网络（RNN）和图神经网络（GNN）在图像、语言及知识图谱等领域的应用。强化学习（马尔可夫决策过程、Q 学习、DQN）和生成模型（自编码器、GAN）也将纳入课程范围，以帮助学生理解更广泛的智能决策与生成任务。最后，课程将介绍 Transformer 的注意力机制与结构，以及大规模语言模型（上下文学习、链式推理、RAG）的实践。
五、强化学习
本课程旨在深入探讨强化学习的核心理论与应用，涵盖从基础概念到高级算法的全面内容。通过理论讲解与案例相结合，协助学生掌握马尔可夫决策过程、部分马尔科夫决策过程、Q学习、深度Q学习、策略梯度、模仿学习等关键方法，并了解如何在实际问题中应用这些技术。课程还将探讨强化学习在机器人、语言大模型等领域的最新进展。
六、多模态大模型
本课程聚焦于多模态大模型，其利用多种类型的数据（如文本、图像、音频、视频等）进行联合建模，以提升智能系统的理解、推理和生成能力。课程将系统讲解多模态大模型的基本概念、核心技术及最新研究进展，涵盖语言大模型的基础与关键技术、多模态预训练技术、多模态理解大模型技术、多模态生成大模型技术，以及自主智能体技术与应用等内容。