教学大纲

⭐ 核心路径 — 本页为课程整体规划

注意：以下主题和时间安排可能根据学员兴趣和课堂讨论微调。

周次	日期	主题	类型
1	第1课	AI导论 — 课程介绍、AI 概述	⭐讲座
1	第2课	AI研究方法 — 选题、读论文、做实验	⭐讲座
2	第3课	基础①：数据、结构、信息 — 数据模态、采集、训练目标	⭐讲座
2	第4课	基础②：实用AI工具 — PyTorch、HuggingFace、调试	⭐实操
3	—	项目提案报告	⭐项目
4	第5课	基础③：模型架构 — CNN/RNN/Transformer/GNN	⭐讲座
4	讨论①	学习与泛化	🔍讨论
5	第6课	多模态①：连接与对齐 — CLIP、对比学习	⭐讲座
5	讨论②	现代AI架构	🔍讨论
6	第7课	多模态②：交互与融合 — 跨模态融合	⭐讲座
6	讨论③	多模态对齐	🔍讨论
7	第8课	多模态③：跨模态迁移 — 视觉-语言模型	⭐讲座
7	讨论④	多模态交互	🔍讨论
8	—	春假	—
9	第9课	大模型①：基础模型 — 预训练、微调、LoRA	⭐讲座
9	—	项目中期报告	⭐项目
10	—	机动周	—
11	第10课	大模型②：多模态大模型 — LLaVA、MMLU	⭐讲座
11	讨论⑤	大语言模型	🔍讨论
12	第11课	大模型③：生成式AI — 扩散模型、Flow Matching	⭐讲座
12	讨论⑥	多模态大模型	🔍讨论
13	讨论⑦	生成式AI	🔍讨论
14	第12课	交互①：智能体与推理 — RL、R1、DPO	⭐讲座
14	—	项目终期报告	⭐项目
15	第13课	交互②：人机交互 — HITL、安全可靠性	⭐讲座

评分构成（MIT 原版参考）

注：用于公司内部培训时，评分构成可灵活调整。

本课程没有固定教材，全部基于前沿论文和讲座幻灯片。核心参考资源：

综述论文（必读）：

实践资源：

[[MOC-如何AI一切|🗺️ 返回内容地图]]