交叉融合课程介绍--《神经网络工程》（课号90050351）

研究生交叉融合课程是打破学院、学科之间的封闭状态，实现优质资源共享和学科交叉融合，给我校研究生提供更多的教育资源和更大的发展空间。研究生交叉融合课程为校级公共选修课，面向全校非本专业学生开放。其课程性质为研究生校级公共选修课，

机器学习是人工智能的核心，是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析和算法复杂度理论等多学科，神经网络是机器学习极其重要的分支。神经网络尤其是深度神经网络的理论和方法已经被广泛应用于解决工程应用和科学领域的复杂问题，比如模式识别、机器视觉、自然语言理解等，并且在近十几年来的发展更加迅速。当前，物联网环境下的机器学习主要是研究如何有效利用信息，注重从海量信息中获取隐藏的、有效的、可理解的知识。

神经网络工程课程的主要目标是从工程视角出发，根据典型学科的应用需求驱动为抓手，分成三个主要部分，第一部分神经网络，从神经网络基础概念、网络模型设计、编程语言和框架、应用与初步调优进入；第二部分神经网络应用，以深度神经网络为核心，以典型应用案例为教学手段，分析、复现典型的工程应用，使学生在具体看得见摸得着的实现步骤中，体会神经网络工程应用的方法；第三部分神经网络优化，分别在异构、模型压缩、GAN、图像攻击、可视化等方面进行介绍和演示，最后给出不可解释性的工程证明。课程拟依托机器学习基础理论知识，针对医学图像、视频图像和遥感图像等典型的图像处理应用需求，利用Pytorch等典型的编程框架和当前流行的Python语言，进行具体应用问题的机器学习求解与优化，面向医学院、药学院、环境科学与工程学院、生命科学学院、计算机学院、人工智能学院、软件学院等，使得不同领域的研究生和高年级本科生能够借助神经网络工程技术解决各自的具体问题，进一步培养学生掌握计算思维和智能思维，为我国人工智能发展战略提供支撑。

1.人工智能是一个火热的领域和工具。    

2.“机器学习”作为人工智能领域的主要方向已经深入到各个学科，我们从上世纪80年代末开设《模式识别》、本世纪初开设《机器学习》，在全国高校都是先行者，有着成功的经验。    

3.神经网络作为机器学习方法中连接主义的代表，经过波浪式的发展过程，目前已经达到新的高点，在视频图像、文本、语音甚至是味觉、触觉等方面都有重要应用。    

4.由于深度学习（深度神经网络）方法已经成为基本成熟的工具，已经在众多学科开花结果。在方法的实际应用方面对计算机科学领域知识的依赖越来越小，给其它领域专家利用该工具解决自己的问题提供了机会。    

5.课程分为三个部分：基本理论、基本方法和典型应用，逐步发展为由机器学习领域研究者和各个学科优秀的应用者共同承担的课程。