《最优化方法》 《高级计算机系统结构》 《高级人工智能》 《自然语言处理》 《高级算法设计与分析》 《软件系统与工程》 《网络与信息安全》 《大数据处理技术》 《嵌入式系统及应用》 《数据挖掘理论与方法》 《现代密码学》 《机器学习》 《智能制造技术及应用》 《区块链与隐私计算》 《AI 驱动的材料与化学》 《计算机视觉》 《人工智能原理与应用》 《计算成像技术》 《AI for Vision and Imaging》 《学科前沿讲座 A》 《文献阅读与学术写作》 《网络空间安全概论》 《密码学理论与应用》 《网络空间安全前沿技术研讨》 《信息隐藏技术》 《信息安全管理与评估》 《网络攻防对抗技术》 《深度学习与大数据分析》 《大数据安全与隐私保护》 《专业英语》 《网络信息内容安全技术》 《专业实践》 《学科前沿讲座 B》 《人工智能工程应用及安全》

《智慧农业专业导论》 《高等数学I》 《普通化学 I 》 《普通化学实验Ⅰ》 《高等数学Ⅱ》 《普通化学实验 I》 《有机化学 IV》 《大学物理 VI》 《仪器分析》 《植物学（含分类）》 《土壤肥料学》 《基础生物化学》 《植物生理学》 《遗传学》 《生物统计与试验设计》 《基础微生物学》 《数字图像处理》 《机器学习》 《农业生态学》 《植物生物技术导论》 《分子生物学导论》 《作物栽培学》 《作物育种学》 《数据库系统原理》 《农业信息技术》 《农业遥感学》 《现代农业机械》 《大数据处理与分析》 《传感器原理与应用》 《农业软件开发》 《植物保护通论》 《农业标准化》 《农业资源学》 《农业经济学》 《单片机原理及应用》 《安卓应用开发》 《人工智能与模式识别》 《神经网络与深度学习》 《智慧农场规划与设计》 《物联网工程》 《农业无人机遥感》 《农科英语阅读与写作》 《World Agriculture》 《作物田间表型获取与分析》实验 《毕业设计（论文）》 《创新基础》 《创新思维训练》 《科创指导和训练》 《创新精神与实践》 《创新创业领导力》

《C 语言程序设计 C》 《数据结构与算法》 《计算机组成原理 C》课程纲要 《数据库原理与应用 A》 《计算机网络》 《Python 基础与应用》 《数据采集与管理》 《大数据技术原理与应用》 《Java 程序设计》 《数据可视化》 《大数据运维》 《统计数据分析方法》 《机器学习 B》 《数据分析与挖掘技术》 《数据仓库（Hive）》 《大数据实时计算》 《专业英语 B》 《数学建模》 《人工智能基础 A》 《数据导入与预处理应用》 《数据科学与大数据专业文献检索与论文写作》 《创新思维培养与创业管理》 《Scala 技术与应用》 《数据科学导论》 《大数据与云计算》 《混合现实技术》 《分布式计算》 《区块链原理与技术》 《NoSQL 数据库技术》 《多模态信息处理》 《数据隐私与安全》 《多元统计分析与 R 语言建模》 《服务科学与服务工程概论》 《数据库系统工程师》 《知识图谱》 《Scala 程序设计》 《数据科学与大数据技术导论》 《大数据专业文献检索与论文写作》 《统计分析》 《数据采集与网络爬虫》 《计算机组成原理 D》课程纲要 《数据分析师认证》 《网络前端开发》 《非结构化数据存储与分析》 《信息安全前沿技术》 《项目管理》 《软件工程》 《算法设计与分析》 《运筹学》 《虚拟化技术》 《C 语言程序设计》 《操作系统原理（Linux）》 《数据库原理与应用 E》 《操作系统原理》 《深度学习》 《Hive 查询分析》 《流计算》 《文献检索与论文写作》 《数据资产登记》

针对传统算法在抗光照变化影响、大位移光流和异质点滤除等方面的不足,从人类视觉认知机理出发,提出了一种基于机器学习和生物模型的运动自适应V1-MT (motion-adaptive V1-MT,MAV1MT)序列图像光流估计算法.首先,引入基于ROF模型的结构纹理分解(structure-texture decomposition,STD)技术,有效解决了光照和色彩变化的影响.其次,利用多V1细胞加权组合及非线性正则化模拟MT细胞模型,并结合岭回归训练学习得到运动自适应的权重,解决对目标的运动速度感知问题.最后,引入由粗到精的增强方法和图像金字塔局部运动估计采样,将V1-MT运动估计模型应用于实际大位移视频序列.理论分析和实验结果表明,新方法能更加拟合人眼视觉信息处理特性,对视频序列具有普适、有效、鲁棒的运动感知性能

Goal Concept: A concept definition describing the concept to be learned. (It is assumed that this concept definition fails to satisfy the Operationality Criterion.) Training Example: An example of the goal concept. Domain Theory: A set of rules and facts to be used in explaining how the training example is an example of the goal concept

1 Introduction 2 Learning to Hash Isotropic Hashing Supervised Hashing with Latent Factor Models Supervised Multimodal Hashing with SCM Multiple-Bit Quantization 3 Distributed Learning Coupled Group Lasso for Web-Scale CTR Prediction Distributed Power-Law Graph Computing 4 Stochastic Learning Distributed Stochastic ADMM

1 Introduction 2 Learning to Hash Isotropic Hashing Scalable Graph Hashing with Feature Transformation Supervised Hashing with Latent Factor Models Column Sampling based Discrete Supervised Hashing Deep Supervised Hashing with Pairwise Labels Supervised Multimodal Hashing with SCM Multiple-Bit Quantization 3 Distributed Learning Coupled Group Lasso for Web-Scale CTR Prediction Distributed Power-Law Graph Computing 4 Stochastic Learning Fast Asynchronous Parallel Stochastic Gradient Descent Distributed Stochastic ADMM for Matrix Factorization 5 Conclusion

推荐系统（Recommender System） 背景、示例与应用 推荐系统要素 常用推荐方法 基于协同过滤的推荐方法 基于内容的推荐方法 基于标签的推荐方法 基于网络的推荐方法 基于上下文的推荐方法 推荐方法测试

1、引例 2、贝叶斯概率基础 3、贝叶斯网络概述 4、贝叶斯网络的预测、诊断和训练 4.1 贝叶斯网络的预测 4.2 贝叶斯网络的诊断 4.3 贝叶斯网络的训练

了解常用的性能度量 理解常用的比较检验 理解经验误差与过拟合 掌握偏差与方差 灵活运用评估方法