内容安排

本讲将介绍课程整体框架与学习目标，并为后续的实践环节奠定编程基础。课程将采用讲授与实践穿插的形式，重点培养学生的动手能力。

本讲旨在系统梳理人工智能所需的数学基础。内容将从数据分析工具Pandas的数据预处理与清洗入手，延伸至线性代数中的向量与矩阵运算、概率论中的核心分布与贝叶斯定理，以及微积分在模型优化中的应用。课程还将结合代码实例，讲解反向传播算法的原理，为后续深度学习模型的构建打下坚实的理论与编程基础。

本讲将深入探讨线性回归与分类模型。学生将学习如何通过最小化均方误差来优化回归模型，并理解Softmax回归与逻辑回归在多分类及二分类任务中的应用。课程将结合最大似然估计原理，阐释模型参数优化的核心思想，帮助学生掌握设计与实现基础机器学习模型的能力。

本讲将聚焦多层感知机（MLP）的构建与实现，内容涵盖网络层设计、模块化构建及参数初始化。课程将重点讲解梯度下降法等优化算法，并介绍权重衰减（Weight Decay）与Dropout等正则化技术，以避免模型过拟合，提升泛化能力。通过本讲，学生将掌握构建与优化神经网络的完整流程。

本讲将系统介绍卷积神经网络（CNN）的核心组件，包括卷积层与池化层，并详细解析其在图像特征提取中的作用。课程将回顾LeNet、AlexNet与VGG等经典CNN模型，帮助学生理解其设计思想及其在计算机视觉领域发展中的里程碑意义。

本讲将探讨现代CNN的关键结构与优化技术。课程将重点介绍Inception网络的多尺度特征融合思想、批量归一化在加速训练与稳定模型中的作用，以及残差网络如何通过跳跃连接有效解决深度网络退化问题。学生将藉此掌握深度视觉模型设计的核心理念。

本讲将介绍生成式AI的核心思想，重点探讨其如何在有限的基本单元之上，创造出结构化、语义化的复杂内容。课程将对比自回归与非自回归两类生成策略，并延伸至视觉生成领域，介绍变分自编码器（VAE）、生成对抗网络（GAN）与扩散模型（Diffusion Models）等主流模型的基本原理与应用。

本讲将深入自然语言生成领域，介绍生成式语言模型的基本构成。课程将从词向量、子词嵌入等词汇表示方法讲起，随后介绍作为主流范式的编码器-解码器（Encoder-Decoder）架构，并结合机器翻译等任务，讲解贪婪搜索与集束搜索（Beam Search）等生成策略。

本讲将重点讲解注意力机制（Attention）及其在现代语言模型中的革命性作用。课程将从其基本原理出发，深入剖析自注意力机制（Self-Attention）如何赋能Transformer架构，实现并行计算与长距离依赖建模。学生将系统学习Transformer的整体结构，包括其位置编码、多头注意力及前馈网络等关键模块。

本讲将全面介绍大语言模型的构建路径，涵盖预训练、对齐与评估三大环节。课程将讲解模型如何通过自监督学习进行预训练，再通过微调适应下游任务。同时，将深入探讨模型对齐技术，如基于人类反馈的强化学习（RLHF），以确保模型输出符合人类意图。最后，课程将介绍常用的评估方法与指标。

本讲将关注大语言模型的内部机制与外部控制。课程首先介绍模型可解释性的基本概念，随后重点讲解提示工程（Prompt Engineering）这一实用技术。学生将学习零样本、少样本提示以及思维链（Chain-of-Thought）等高级策略，以有效引导和控制模型的输出。

本讲将探讨大语言模型的前沿应用与挑战。课程将介绍如何利用大语言模型构建能够自主决策与行动的智能代理（Agent），并深入分析模型在实际应用中面临的安全性问题，如偏见、幻觉与注入攻击等，同时讨论相应的防护策略，确保模型安全、合规地运行。

本节课将系统性介绍当前主流的AI辅助科研工具。内容将涵盖AI代码生成与辅助工具的核心功能与使用技巧，以及AI在文献检索、数据分析和科学写作中的应用。我们将通过实例演示，帮助学生快速掌握这些工具，为后续的专题实践打下基础。

本节课将通过一个完整的多智能体模拟的案例，从零开始展示如何利用AI编程助手进行项目脚手架搭建、核心算法实现、代码调试与文档撰写。目标是让学生体验一个真实、完整的AI辅助开发流程，并能将其应用到自己的研究项目中。