COURSE PROGRAM · 2026
机器学习
专题 Tutorial
专题页面用于课前阅读和课后复习；参考论文、代码与实验材料由各专题小组在课堂前补充。
查看组织规范 →01 / PROGRAM
专题目录
共设置 10 个专题，涵盖视觉、生成、强化学习、基础模型、系统部署与可信人工智能等方向。
10 个专题按课程顺序排列
没有找到匹配的专题，请更换关键词或筛选条件。
02 / FORMAT
专题 Tutorial 组织规范
各小组参考会议 Tutorial 的问题导向结构，围绕一个研究方向讲解前沿方法、代表性工作、应用案例与开放问题。
专题定位
专题汇报重点介绍机器学习与人工智能领域的前沿内容，帮助同学们拓展研究视野；同时，可借助 AI 将论文和技术内容转化为通俗易懂的语言进行讲解。
01必备内容
研究背景
说明问题定义、应用场景与研究价值，交代必要的基础概念。
02方法导读
核心方法
围绕 1—2 条技术路线，结合代表性论文梳理关键思想、方法演进与适用条件。
03前沿视野
前沿进展与案例
选择 2—3 篇近年代表性工作，说明问题、方法改进和应用价值；不要求现场展示代码。
04互动环节
课堂讨论
设置具体问题，引导比较方法、分析局限，并联系相关研究方向。
统一要求明确研究问题 · 梳理方法演进 · 介绍 2—3 篇代表论文 · 说明 1 个应用案例 · 设置课堂讨论
03 / COURSE TASKS
课程任务安排
课程任务由专题汇报、Agent 搭建作业和期末打榜组成。具体分组、提交方式及截止时间以任课教师发布的课程通知为准。
任务完成阶段任务内容成果形式
任务一小组汇报围绕一个研究方向完成专题 Tutorial，包含方法讲解、案例展示和课堂讨论小组汇报
任务二课程作业自行设计并搭建一个可运行的 Agent，完成基本功能验证与课堂展示代码 + 说明
任务三期末打榜（期末作业）完成统一数据任务并提交预测结果，以榜单成绩作为期末作业成绩提交结果
STUDENT NOTES
专题学习
阅读说明
建议先阅读专题简介和大纲，再结合推荐论文了解前沿进展。可以使用 AI 将论文内容转写成通俗解释，但应回到原文核对关键结论。课堂中请完成提问、讨论或案例分析。
浏览专题目录 →01了解专题的问题背景与学习目标
02阅读推荐的经典论文与近期工作
03借助 AI 理解论文，并核对原文中的关键结论
04在课堂讨论中提出问题或反馈