1.模式识别与机器学习
《模式识别与机器学习》是高等学校计算机、电子信息、人工智能等专业的核心基础课程，是所有智能科学与技术相关专业的必修内容。旨在通过数学模型与算法研究数据分类、特征提取及模式分析方法。课程以统计学习理论、概率模型及优化算法为核心，涵盖监督学习、无监督学习及强化学习等范式，强调理论推导与工程实践结合。通过本课程学习，学生可掌握模式识别基本原理、机器学习算法设计与优化方法，并具备解决图像分类、语音识别等实际问题的能力，为后续计算机视觉、自然语言处理等课程奠定算法与理论基础，在人工智能技术体系中起到支撑性作用。
2.数据挖掘
《数据挖掘》是高等学校人工智能、计算机科学与技术、数据科学与大数据技术等专业的重要技术基础课，聚焦从海量数据中提取潜在价值信息的方法论。课程以关联规则挖掘、聚类分析、分类预测为核心内容，融合统计学、机器学习及数据库技术，强调算法效率与实际应用场景结合。学生通过学习可掌握数据预处理、特征工程及模型评估的全流程技能，培养解决商业智能、用户行为分析等复杂问题的能力，为数据科学、金融科技等领域提供核心技术支撑，在数据驱动决策体系中发挥纽带作用。
3.图像处理与机器视觉
《图像处理与机器视觉》是计算机视觉领域的基础课程，研究数字图像增强、复原及特征提取技术，并延伸至三维重建与目标识别等高级任务。课程以傅里叶变换、滤波器设计及边缘检测为理论基础，结合卷积神经网络等深度学习方法，构建从底层像素操作到高层语义理解的完整技术链。学生通过实验可掌握图像配准、目标检测等工程化技能，为自动驾驶、医疗影像分析等前沿领域提供技术储备，在人工智能感知层建设中扮演核心角色。
4.知识表示与处理
《知识表示与处理》是高等学校人工智能、计算机科学与技术、智能科学与技术等专业的核心基础课程，是构建智能系统的必修理论模块，聚焦符号主义与连接主义的知识建模方法。课程涵盖一阶逻辑、语义网络及知识图谱等表示体系，结合不确定性推理、专家系统构建等推理机制，探索人类知识向机器可计算形式的转化路径。学生通过学习可掌握知识抽取、融合与查询技术，为智能问答、决策支持系统等应用提供底层架构支撑，在构建可解释人工智能系统中具有基础性地位。
5.自然语言处理
《自然语言处理》是人工智能与语言学交叉的前沿课程，研究计算机对人类语言的理解与生成技术。课程以词法分析、句法解析及语义表示为理论基石，涵盖机器翻译、文本生成及情感分析等典型任务，融合深度学习与预训练语言模型等现代方法。学生通过实践可掌握NLP全流程开发能力，为智能客服、内容推荐等应用提供核心技术，在人机交互智能化进程中发挥驱动作用。
6.神经网络与深度学习
《神经网络与深度学习》是人工智能算法体系的核心课程，系统讲授多层感知机、卷积神经网络及循环神经网络等模型架构。课程以反向传播算法、优化策略及正则化技术为理论基础，结合TensorFlow/PyTorch框架实现图像分类、语音识别等应用。学生通过项目实践可掌握深度学习模型设计、调参及部署能力，为计算机视觉、自然语言处理等领域提供算法引擎，在人工智能技术革命中占据核心地位。
7.智能机器人原理与应用
《智能机器人原理与应用》是机电控制与人工智能的交叉课程，涵盖机器人运动学、感知系统及智能决策技术。课程以SLAM算法、路径规划及多传感器融合为理论基础，结合机械臂控制、人机交互等工程案例，构建从感知到行动的完整技术闭环。学生通过实验可掌握机器人系统集成与算法调试能力，为工业自动化、服务机器人等领域提供解决方案，在智能制造转型中发挥关键支撑作用。
