1. 介绍扩展现实：扩展现实的定义；扩展现实的历史背景（模拟与数字）；扩展现实的跨学科性质。 2. 感知与沉浸：深度感知；色彩感知；听觉感知；前庭感知；传感器与运动一致性；扩展现实硬件设计与沉浸。 3. 计算机图形与多模态界面：计算机图形基础知识；虚拟现实中的注视点渲染；体绘制；摄影测量与重建；细节层次（LoD）；扩展现实应用的渲染优化；动作捕捉；多模态界面设计；触觉；触觉重定位与橡胶手错觉。 4. 扩展现实的心理学方面：存在感与沉浸感；地点错觉；可信度错觉；实体错觉；自我化身；共存与社会存在；毛骨悚然谷假说。 5. 应用与评估：扩展现实技术在教育、医疗与康复、创意艺术（包括影视）、建筑信息管理（BIM）与娱乐中的应用；三维用户界面与原型设计；评估的重要性；变量与变量类型；用户研究与实验设计；探索性分析；确认性分析。 6. 挑战与进展：图形现实主义；动作捕捉与动画现实主义；通用触觉界面的挑战；恶心与模拟晕动症；扩展现实的社会化；人工智能与扩展现实。
课程内容 1. 人工智能简介 人工智能的定义；人类智能的基本概念；经典人工智能问题的范围；人工智能的诞生、黄金时期和寒冬。 2. 代理与知识库 代理和理性性的定义；设计智能代理；基于知识的代理及其表示语言；正向链和反向链推理；不确定性与贝叶斯网络。 3. 解决问题的代理 解决问题的代理；无信息搜索策略及其典型算法；有信息搜索策略及其典型算法；启发式函数；爬山搜索、模拟退火搜索、遗传算法；约束满足问题和博弈问题。 4. 机器学习 监督学习、无监督学习和强化学习；分类、聚类和回归；决策树；支持向量机、人工神经网络。 5. 应用与伦理问题 人工智能的最新发展；典型应用；人工智能技术与应用的伦理问题；对人类社会的利与弊。
课程内容 1. 第一部分：机器学习基础 • 线性代数和概率 • 数值计算和优化 • 学习任务：回归、分类等 • 性能问题：交叉验证、过拟合及维度灾难、偏差-方差困境等 2. 第二部分：模型和技术 • 监督学习： - 参数化方法 vs 非参数化方法 - 决策树基方法 - 贝叶斯模型 - 神经网络和支持向量机 - 高级模型：卷积神经网络 • 无监督学习： - k-均值和层次聚类 - 谱聚类和基于密度的聚类 - 高级模型：自动编码器、嵌入技术等 • 回归和提升 • 特征选择和降维 3. 第三部分：应用 • 手写识别挑战，例如 MNIST • 对象检测、识别和跟踪 - 对象特征描述：工程方法 vs 特征学习方法 - 对象检测示例，例如像素聚类用于人脸检测等 - 对象识别示例，例如通过主成分人脸特征进行人脸识别 - 对象跟踪示例，例如人体运动跟踪
课程 1. 数据仓库与数据挖掘简介 数据仓库与数据挖掘简介；商业和金融领域的潜在应用领域；定义和术语；数据挖掘问题类型。 2. 数据仓库 数据仓库与数据仓储；数据仓库与行业；定义；操作数据库与数据仓库。 3. 数据仓库架构与设计 数据仓库架构与设计；两层和三层架构；星型模式与雪花模式；数据特性；静态与动态数据；元数据；数据集市。 4. 数据复制与在线分析处理 数据复制、数据捕获与索引、数据转换与清洗；复制数据与衍生数据；在线分析处理（OLAP）；多维数据库；数据立方体。 5. 数据挖掘与知识发现 数据挖掘与知识发现，数据挖掘生命周期；预处理；数据转换；问题类型与应用。 6. 关联规则 关联规则挖掘；Apriori算法；二进制、定量和泛化关联规则；有趣度度量。 7. 分类 分类；基于决策树的算法；贝叶斯方法；统计方法、最近邻方法；基于神经网络的方法；基于遗传算法的技术；分类模型的评估。 8. 聚类 聚类；k-means算法；层次算法；Condorcet；基于神经网络和遗传算法的方法；有效性评估。 9. 序列数据挖掘 序列数据挖掘；时间依赖数据和时间数据；时间序列分析；子序列匹配；时间数据的分类与聚类；预测。 10. 其他技术 计算智能技术；模糊逻辑、遗传算法和神经网络在数据挖掘中的应用。 实验课题 1. 使用数据挖掘工具发现关联规则和序列模式 2. 使用数据挖掘工具发现分类规则 3. 使用数据挖掘工具发现聚类 案例研究 1. 将数据挖掘技术应用于解决实际商业问题。 2. 导致数据仓库项目成功与失败的属性，适当情况下进行讨论。
主题 1. 大数据介绍 不同维度（Volume、Velocity、Variety），其挑战和应用领域。 2. 大数据采集 最终一致性及NoSQL系统（MongoDB、BigTable等） 3. 大规模数据分析系统 Hadoop、MapReduce、Hive等 4. 基本统计分析 5. 大数据机器学习系统 6. 图分析 图结构、PageRank、中心性等 7. 数据分析应用：推荐系统 8. 数据可视化
基础知识 • 介绍物联网：物联网应用、传感器系统、物联网感知技术、物联网网络、物联网数据分析、物联网平台与系统 • 介绍AIoT：AIoT概念与问题、AIoT背后的技术、AIoT应用领域 高级主题 • AIoT的技术架构 • 智能传感器与设备，如穿戴设备、智能物体、人体感知等 • AI在物联网中的挑战 • AI在物联网数据分析与自动化中的应用 • 物联网系统的边缘智能（边缘计算；区块链等） • 机器人在AIoT中的应用 应用领域 • 智能制造；智能健康；智能基础设施与建筑。
1. 介绍嵌入式系统和嵌入式软件设计。定义、范围和嵌入式系统的常见特性；性能指标和技术挑战；设计方法和问题。 2. 嵌入式系统的组织和架构。处理器；内存；总线；输入/输出；中断；存储系统；电源供应系统。 3. 嵌入式软件架构和设计平台。系统软件和应用软件；跨平台开发平台。 4. 设计与优化。嵌入式操作系统；实时操作系统；应用软件开发。 5. 嵌入式软件工程。嵌入式软件模型、软件测试和验证。
课程内容：1. 概述——计算范式的演变；动机与益处；定义与原则；应用。2. 云计算架构和服务模型——架构与组件；物理基础设施；服务模型；配置。3. 技术基础——关键技术；资源共享、可扩展性、多租户、异构性；虚拟化与容器化；云计算与面向服务；Web服务、SOA、Web 2.0；服务协调/组合、微服务、DevOps、敏捷；软件定义网络。4. 云计算服务提供商与平台——服务/功能；代表性提供商（亚马逊、微软、IBM、谷歌、阿里巴巴）；AWS（EC2、S3、CloudFront、组合服务）。5. 云计算应用开发——概念/原则（用例、服务类型、开发支持）；方法/技术（开发流程；范式：Web、移动、内容分发、事件驱动、物联网、大数据、机器学习）；AWS案例研究。6. 云计算管理——功能/要求；核心功能；平台/工具；安全与数据隐私。
主题 1. 知识产权保护与管理概览：从法律、商业和技术角度的知识产权管理；知识产权获取（购买、合资、战略联盟、许可、专利池）；知识产权在商业战略中的价值；版权法和知识产权保护的经济原则（保密性和专利）；知识产权在数字内容产业中的应用。 主题 2. 知识产权保护：版权、相关权利；商标和专利；知识产权盗窃问题及其解决方案。 主题 3. 数字版权管理：在不同场景下的数字版权管理，包括计算机软件、文档、电子书、电影、音乐和电视；不同代数字版权管理软件及其局限性。 主题 4. 常见的数字版权管理技术：限制性许可协议；软件混淆和加密；可信硬件/可信计算；逆向工程；数字水印；隐写术；加密中的叛徒追踪技术。 主题 5. 高级主题：从法律和技术角度探讨知识产权的挑战，包括但不限于生成式人工智能。
课程将根据金融科技领域的最新发展进行选题，每次开课的内容可能有所不同。 以下是一些潜在的主题示例。 1. 金融科技生态系统中主要主题领域的当前状态，如基础设施（例如，身份、隐私、安全）、众筹（例如，类型、平台、应用）、电子交易（例如，算法交易）和点对点（P2P）借贷。 2. 影响金融科技生态系统的趋势和机遇。 3. 金融科技创新趋势，包括电子支付、数字银行、网络安全、虚拟货币、颠覆性金融服务、众筹、P2P借贷以及监管挑战，这些因素可能影响各行业的短期和长期发展。 4. 对未来影响最大的金融科技领域趋势。 5. 金融科技领域的最新发展和热门话题。
顶点项目通常由系内的学术人员提出，或与外部组织或其他大学部门联合提出。然而，学生也可以根据自己的兴趣提出一个课题，前提是他们能找到一位感兴趣的学术人员来监督该项目。每位学生将被分配一位导师，负责整个项目。 1. 导师提出的课题深入研究 2. 项目会议和规划 3. 项目提案撰写 4. 定期进度检查和报告 5. 项目文档 6. 项目展示和演示
• 数据库管理与架构概述 • 关系型数据库管理系统：实体-关系（ER）建模，关系数据库设计，SQL和关系代数，视图机制。 • 数据库实现与操作问题：数据依赖与规范化，查询处理与优化，安全性和完整性约束，物理数据库设计，事务、恢复与并发问题，商业数据库管理系统。 • 数据库管理选题：数据库管理，企业数据库应用，数据库项目开发。 • 数据库技术选题：面向对象和语义数据建模，分布式数据库架构，高维数据库，Web数据库。
1. 数据结构：表示与算法 线性结构：链表、栈、队列； 树结构：二叉树、平衡树、树遍历； 其他常用数据结构：优先队列、堆。 2. 排序与查找算法 常用排序算法：冒泡排序、插入排序、选择排序、快速排序、归并排序、堆排序。 3. 数据库系统的基本概念 数据库及其应用；DBMS设计目标及其组件；数据独立性。 4. 关系数据模型 关系结构；关系代数；SQL；关系约束。 5. 数据库设计 实体-关系模型；函数依赖；规范化。 6. 数据存储与查询 文件组织；索引与哈希；查询处理。
1. 介绍人工智能和大数据计算的历史、术语、技术及应用。 2. 介绍用于人工智能和大数据分析的编程语言和工具。 a. 分布式计算框架 MapReduce 及其实现，例如 Hadoop。 b. 机器学习开发平台，例如 Python 及其常用库，如 scikit-learn、PyTorch、TensorFlow。 c. 大数据数据库系统，例如 NoSQL。 3. 介绍基于神经网络的机器学习模型，包括多层感知器、深度信念网络、卷积神经网络和循环神经网络（例如 LSTM）。 4. 在 Python 中实现的机器学习技术，包括线性回归、多层感知器、卷积神经网络和循环神经网络的技术。 5. 人工智能和大数据的应用实例。
• 数据仓库和数据挖掘简介；商业和金融领域的潜在应用领域；定义和术语；数据挖掘问题类型。 • 数据仓库和数据仓库技术；数据仓库与行业；定义；操作数据库与数据仓库的区别。 • 数据仓库架构与设计；两层和三层架构；星型模式和雪花模式；数据特性；静态数据与动态数据；元数据；数据集市。 • 数据复制、数据捕获与索引、数据转换与清洗；复制数据与衍生数据；联机分析处理（OLAP）；多维数据库；数据立方体。 • 数据挖掘与知识发现，数据挖掘生命周期；预处理；数据转换；不同类型的问题与应用。 • 关联规则挖掘；先验算法；二进制、定量和泛化关联规则；有趣度度量。 • 分类；基于决策树的算法；贝叶斯方法；统计方法、最近邻方法；基于神经网络的方法；基于遗传算法的技术；分类模型评估。 • 聚类；K均值算法；层次算法；Condorset；基于神经网络和遗传算法的方法；效果评估。 • 序列数据挖掘；时间依赖数据与时间数据；时间序列分析；子序列匹配；时间数据的分类与聚类；预测。 • 计算智能技术；模糊逻辑、遗传算法和神经网络在数据挖掘中的应用。
• Web系统与编程：Web系统概述。超文本传输协议（HTTP）。负载均衡。缓存。超文本标记语言（HTML）。客户端编程。服务器端编程。 • 加密：安全需求。非对称密钥加密。对称密钥加密。消息摘要。数字签名。数字证书。公钥基础设施。 • 互联网安全：IPSec。防火墙。安全套接字层（SSL）协议/传输层安全。应用层安全。 • 互联网支付系统：安全电子交易（SET）。电子现金。电子支票。微支付方法。智能卡。 • 电子商务应用：商业模式。面向消费者的电子商务。面向企业的电子商务。拍卖。案例研究和示例。 • 高级/当前主题：例如，基于移动代理的电子商务，移动商务。
• 介绍、数据、信息与知识：智能信息系统架构；决策与系统；人工智能技术；数据与信息的概念；组织中数据转化为信息的方法；事务处理系统；数据库与知识库管理。 • 管理专家系统：专家系统的介绍；知识工程；知识获取；知识表示与推理；不确定性表示与推理；验证与验证；商业与金融中的应用。 • 基于案例推理：使用案例进行推理；表示案例；案例索引与检索；组织与检索算法；案例适应；案例库维护；基于案例推理的软计算；应用与案例研究。 • 数据与文本挖掘：数据挖掘与知识发现生命周期；关联、分类、聚类与预测；数据挖掘中的软计算；文本挖掘、信息提取与检索。 • 商业智能中的智能决策支持系统：计算智能技术；组织建模中的遗传算法；商业应用中的神经网络与模糊逻辑；混合系统；专家系统与神经网络的集成；集成智能系统。 • 模糊信息系统：经典集与模糊集；隶属函数；命题逻辑与模糊逻辑；近似推理；自然语言；语言模糊化；基于规则的系统；可能性与真值资格；图形推理技术。 • 用于管理的应用遗传算法：自然进化；简单遗传算法；评估；种群；父本选择；变异；倒位操作；性能增强；精英主义；稳态复制；鲁棒性；插值操作适应度；商业、金融与管理中的应用。 • 用于商业与金融的神经计算：生物神经网络与人工神经网络；单层与多层感知器；学习规则；模式空间划分；反向传播；Kohonen自组织网络；Hopfield网络；监督与非监督学习；联想记忆。
• 信息系统与组织：计算机与新的商业环境；信息系统的战略使用；组织与信息系统的作用。 • 信息系统基础：计算机系统组件；系统软件；应用软件和开发工具；硬件和软件技术的发展趋势；数据资源管理；数据库管理系统和数据建模；数据仓库及未来数据管理。 • 通信与网络：电信系统组件；电信网络；企业网络；互联网与电子商务。 • 信息系统开发：系统开发过程概述；系统实施；系统开发的替代方法；系统开发方法论。 • 组织支持系统：知识管理与组织；智能技术的应用；决策支持系统；协作工作支持系统；高层管理人员支持系统。 • 管理信息系统：计算机安全与完整性；确保系统质量；确保数据质量；伦理与社会问题；计算机和通信资源的管理和规划。
• 信息系统规划与获取方法：信息需求分析，信息系统应用组合，信息系统投资评估，硬件和软件组件的选择 • 软件成本估算：系统成本估算，工作分解结构，采购与实施，获取模型 • 系统集成：信息技术及其在系统集成中的应用，一些有用的技术（面向对象技术，电子数据交换，数据通信与网络，文档中心技术，ATM和ISDN等），系统集成案例研究 • 信息管理系统获取集成技术：业务获取策略，类型，目标，信息管理系统集成策略，业务与信息管理系统策略之间的契合度
• 当前IS与电子商务策略研究：介绍面向IS革命的MIS框架，通过电子商务平台与客户及商业伙伴建立更紧密的联系，互联网门户服务及通信工具。涵盖关键问题如接口与集成、内容管理、访客感知与关系管理、品牌管理。 • IS与电子商务与企业战略的契合：介绍战略联盟、安全、伦理、组织与管理变革对企业的影响、电子商务品牌风险对客户的影响。 • 信息资源管理：企业数据库的需求；数据管理的角色；数据中心的战略；网络、硬件、软件的安装与升级；电子商务站点管理；有效利用互联网资源与技术。 • IT支持的业务流程重组（BPR）：讨论使用门户系统、工具和技术进行业务流程控制与重组，BPR的关键成功因素，IT支持的业务流程重组。 • IS外包：IS外包作为战略商业决策，外包决定因素，常见的外包电子商务功能。 • 基于Web的知识管理：展示管理与利用信息资源以提高生产力和盈利能力的方法，门户系统支持KM以提升电子商务成功。 • 智能代理技术：展示软件代理的概念及其在电子商务运营中消费者服务部署策略。 • 数据仓库管理：设计面向Web挖掘与决策的数据仓库的技术与管理问题。
