01 数据的探索

理论：课程安排介绍；数据科学基础概念、数据预处理、数据可视化、数据分析、数据挖掘与建模；

Lab：完成课程所需环境配置，学习/回顾 Python 基础知识。

02 人工智能历史与概念与机器学习基础

理论：人工智能的历史、现状与未来；图灵测试和达特茅斯会议；机器学习概念；监督学习与无监督学习

Lab: 使用 scikit-learn 库完成波士顿房价预测

03 机器学习的原理和方法

理论：机器学习工作流；回归与分类任务；机器学习经典算法；集成学习

Lab: 使用 scikit-learn 库完成鸢尾花分类；尝试使用 scikit-learn 库进行手写数字识别。  

04 深度学习的原理和方法

理论：神经网络的概念；深度学习、神经科学与认知科学；深度学习的原理和方法

Lab: 学习 PyTorch 深度学习框架；搭建一个简单神经网络（多层感知机）。  

05 计算机视觉任务  

理论：计算机视觉七十年：从 Summer Vision Project 到 OpenAI Sora ；人类的视觉系统；相机模型、成像原理与色彩理论；数字图像的储存形式；图像预处理；图像滤波和滤波器；几何、颜色和运动特征

Lab：学习使用直方图均衡化操作实现图像对比度调节，使用 Canny 检测算子找到图像中物体的边缘；智能小车循线运动实验。

06 基于深度学习的计算机视觉

理论：卷积神经网络 (CNN) 原理；经典卷积神经网络结构；特征可视化；图像分类和检索

Lab: 使用 PyTorch 深度学习框架搭建、训练一个自己的 CNN 模型，使模型能够区分两种不同的目标。

07 计算机视觉任务（一）

理论：物体检测；图像分割；目标跟踪；人体姿态估计

Lab: 学习使用 You Only Look Once (YOLO) 系列模型实现行人检测和追踪；学习使用 MIT Labelme 软件制作目标检测数据集；对体育赛事视频中运动员进行姿态估计。

08 计算机视觉任务  （二）

理论：生成任务的概念；图像去噪、修复方法；图像风格迁移；生成对抗网络（GAN）模型

Lab：使用 GAN 模型完成一项图像转换任务，如完成老电影画质修复或将普通的风景照转变成梵高风格画作。

09 多模态生成式人工智能  

理论：文字生成图像/视频的原理；AIGC 工具学习：用 Midjourney 和 Runway 生成图像/视频；OpenAI Sora原理：Transformer 和扩散模型

Lab：使用合适的提示词在 Midjourney 和 Runway 中生成图像和视频；尝试制作自己的文本生成视频工具。