人工神经网络基础 →
Fundamentals of Artificial Neural Networks
从识别芒果的例子开始，理解神经元、网络层、前向传播与反向传播，再讨论优化、正则化和真实案例。
引言与概览多层感知机神经网络训练案例分析
上海创智学院 · 2026 秋季
AI 工程学
AI Engineering
理解模型如何计算、如何学习，
建立连接模型、系统与智能体的工程基础。
前五讲 · 模型原理
COURSE LECTURES从神经网络的基本计算出发，逐步进入视觉、序列、注意力与自监督学习。
卷积神经网络与图像识别 →
CNNs and Image Recognition
从全连接网络处理图像的局限出发，认识卷积、池化与归一化，逐步推导训练过程，并比较经典网络。
卷积神经网络CNN 训练经典 CNN 架构编程练习
循环神经网络与长短期记忆 →
RNNs and LSTMs
先把词表示成向量，再沿序列建立递归状态，理解长期依赖、门控记忆、机器翻译和注意力。
词表示循环神经网络LSTM序列到序列
Transformer 模型 →
Transformer Models
从注意力的计算过程开始，建立 Transformer 的完整结构，再进入 BERT、GPT、ViT、Swin 和混合专家模型。
自注意力编码器解码器模型家族
自监督学习 →
Self-supervised Learning
围绕监督信号从何而来，依次学习代理任务、掩码重建、对比学习、自蒸馏及其评估方法。
动机与评价传统代理任务与 MAE现代自监督学习
课程考核
工程习题30%
共 3 个题目，依据正确性和性能评分。
出席与课堂表现10%
根据出席率与课堂表现评分。
期末考试60%
考查课程知识与方法的掌握情况。
授课团队
授课顺序：杨学、张少锋、钟志航、夏纫秋、任麒冰。
课程负责人：钟志航。