美国人工智能研究生学校推荐？

美国伊利诺伊理工大学AI硕士可以选择在职纯线上就读，也可以选择线上线下混合学习，学习内容和学位证和在校攻读一样，而且学费更省，性价比更高。

Kevin同学已经完成在线学习部分，于2019年末赴芝加哥继续学业：

以下是伊利诺伊理工大学AI硕士课程大纲，可以参考一下。

点击下方链接，可以你适不适合读伊利诺伊理工大学大学AI硕士。

未列举全部课程，后续实际授课老师可能会有所调整。

授课教师：

Mustafa Bilgic博士，伊利诺伊理工大学副教授，马里兰大学计算机科学博士，主要研究方向包括机器学习、信息获取和决策理论。Bilgic博士在伊利诺伊理工大学教授数门关于人工智能、机器学习以及概率图分析领域的课程。

课程目标：

全面的学习人工智能的基本理论和应用框架，如何用程序来开发灵活的反馈系统，学习启发式搜索、知识表达、约束条件分析、概率逻辑推断、决策控制、传感器解释。学习重点在于实际的应用案例。

课程内容：

• 人工智能发展概论
• 智能代理
• 通过搜索解决问题
• 对抗性搜索
• 知识表达（命题逻辑、一阶逻辑、不确定性表达）
• 通过逻辑和概率进行的推断
• 学习（监督学习、加强学习等）

教材：

Artificial Intelligence: A Modern Approach, Russel, Norvig

人工智能：一种现代方法（本书为人工智能领域的最经典教材）

考核方式：

包含日常作业、项目以及期中考试和期末考试，综合评定

课程使用编程语言：

Python

授课教师：

Mustafa Bilgic博士，伊利诺伊理工大学副教授，马里兰大学计算机科学博士，主要研究方向包括机器学习、信息获取和决策理论。Bilgic博士在伊利诺伊理工教授数门关于人工智能、机器学习以及概率图分析领域的课程。

课程目标：

介绍机器学习领域的基础课题，提供机器学习领域所需的数学概念、算法、以及理解技巧。帮助学生理解机器学习算法局限，分析学习算法表现。

课程内容：

• 机器学习简介
• 回归算法
• 核方法（Kernel methods）
• 生成学习（Generative Learning）
• 判别学习（Discriminative learning）
• 神经网络（Neural networks）
• 支持向量机（SVM）
• 图模型
• 非监督学习（Unsupervised Learning）
• 维度降低

教材：

Machine Learning, Tom Mitchell

机器学习

考核方式：

包含日常作业、项目以及期中考试和期末考试，综合评定

课程使用编程语言和框架：

Python

Scikit-learn

scikit-learn: machine learning in Python?scikit-learn.org/stable/

TensorFlow

Keras

the Python deep learning API?keras.io/

授课教师：

Gady Agam博士，伊利诺伊理工副教授，计算机视觉和机器学习领域专家。

课程目标：

介绍计算机视觉领域的基础性课题，帮助学生建立计算机视觉领域的技术理解、数学基础和算法基础，基于相关论文进行有关项目研究，完成有关的课程软件和技术实践。

课程内容：

• 计算机视觉领域的简介（包括应用领域、常用软件、OpenCV介绍）
• 图像的组成与表示（数字表示、几何模型、仿射变换等）
• 图像滤波（卷积、平滑等）
• 特征提取（边缘、角、曲线、材质等）
• 模型匹配
• 相机参数标定（Camera calibration）
• 对极几何（Epipolar geometry）
• 模型重建
• 动作捕捉
• 动作跟踪
• 对象识别和形状表达

教材：

Computer Vision: Algorithms and Applications

计算机视觉：算法与应用

考核方式：

包含日常作业和课程实践项目，综合评定

课程使用编程语言和框架：

Java/C++/Python, OpenCV/OpenGL

授课教师：

孙贤和教授，国际计算机领域著名学者，IEEE Fellow。主要研究方向包括并行和分布式计算、内存和I/O系统、大数据系统软件、系统性能评估和优化。他在计算机科学相关领域发表了超过250篇学术论文，拥有5项美国国家专利和1项中国国家专利，Google Scholar引用超过16000次。

课程目标：

本课程从用户的角度涵盖并行和分布式处理的一般问题，其中包括系统体系结构，编程，性能评估，应用以及通信和并行性对算法设计的影响。

课程内容：

• 并行计算的范围
• 并行架构：基本问题及其对编程的影响
• 性能评估
• 算法设计与分析：案例研究
• 并行编程
• 网络，通信和分布式处理
• 系统注意事项：分区，通信，调度和操作系统问题
• 数据访问和I / O
• 集群和分布式网络计算
• 并行处理的其他当前趋势

教材：

Introduction to Parallel Computing (2nd Edition)

Addison-Wesley, 2003

并行计算导论

考核方式：

日常作业、期中考试和期末考试

授课教师：

Ioan Raicu博士，助理教授，研究领域包括超级计算、云计算、数据云、大型存储系统的挑战与机遇、万亿级计算

课程目标：

本课程涵盖分布式数据密集型计算中的各种研究主题，涵盖集群计算、网格计算、超级计算和云计算中的主题。该课程将探索解决方案并学习设计原理，通过构建基于网络的大型计算系统，以支持数据密集型计算。

课程内容：

• 范例：超级计算，网格计算，云计算，多核计算
• 并行编程系统：MapReduce、工作流程、MPI、OpenMP等
• 工作管理系统：批量计划、轻量级任务计划
• 存储系统：共享文件系统、分布式文件系统、并行文件系统、分布式NoSQL密钥/值存储区、关系型数据库

考核方式：

项目完成、项目报告和课堂参与，无作业和考试

任课教师：

Derrick Higgins客座教授，芝加哥大学语言学博士，蓝十字蓝盾保险公司高级数据科学总监，曾任美国家庭保险集团数据科学经理，ETS美国教育考试服务中心语言研究总监等职务。

课程目标：

本课程是关于如何构建系统来分析非结构化自然语言文本并从中提取有用的信息。熟悉自然语言处理（NLP）任务的最常见类型，包括文本分类、序列标签和结构预测，并学习执行这些任务的适当框架。

课程内容；

• 实用的文字处理
• 单词和模式匹配
• 神经网络
• 词义消歧
• 文本分类和朴素贝叶斯
• 广义线性模型
• NLP中的无监督方法
• 隐马尔可夫模型和维特比算法
• 结构化预测
• 上下文无关的语法和语法
• CKY解析
• 概率CFG解析
• 依存语法
• 语义角色标签
• 机器翻译

教材：

Foundations of Statistical Natural Language Processing, by Manning & Schutze

统计自然语言处理基础

Introduction to Natural Language Processing, by Jacob Eisenstein

考核方式：

作业、期中考试和期末考试，综合评定

编程语言和工具：

Python、Unix命令行工具

课程目标：

本课程将涵盖概率图形模型-不确定情况下推理的强大且可解释的模型。将讨论诸如有向图，无向图和因子图之类的模型的一般族，以及诸如隐马尔可夫模型和条件随机字段之类的特定表示。讨论将包括表示，学习和推理的理论方面，以及它们在许多有趣领域中的应用，例如计算机视觉、自然语言处理、计算生物学和医学诊断。

课程内容：

• 贝叶斯网络
• 马尔可夫网络
• 因子图
• 变量消除
• 置信传播
• 近似推断
• 结构学习
• 隐马尔可夫模型
• 条件随机字段
• 统计关系学习

教材：

Probabilistic Graphical Models, by Daphne Koller and Nir Friedman

概率图模型：原理与技术

考核方式：

项目、期中考试和期末考试

授课教师：

Boris Glavic副教授，苏黎世大学博士，多伦多大学博士后。研究领域包括数据库系统、数据溯源、数据集成

课程目标：

本课程介绍数据集成，数据仓库和数据溯源的基本概念。我们将学习如何通过模式匹配和映射解决结构异质性。本课程介绍了一次查询多个异构数据源（数据集成）以及在具有不同数据表示形式的数据库之间转换数据（数据交换）的技术。此外，我们将介绍数据仓库范式，包括提取-转换-加载（ETL）过程，数据立方体模型及其关系表示形式以及分析查询的有效处理。

课程内容：

• 理解查询异构和自治数据源时出现的问题
• 理解数据集成/交换，数据仓库和大数据分析方法之间的差异和相似性
• 能够通过“粘合”现有的数据来构建小型数据集成管道的一部分
• 学习了用于表达模式映射的正式语言
• 了解虚拟和物化集成（数据集成与数据交换）之间的区别
• 了解数据溯源的概念并知道如何溯源

教材：

Doan, Halevy, and Ives. Principles of Data Integration, 1st Edition, Morgan Kaufmann, 2012

数据集成原理

考核方式：

日常作业、期中考试和期末考试

课程目标：

在本课程中，我们将深入介绍基础数据挖掘技术和高级数据挖掘技术。

课程内容：

• 分类（决策树，逻辑回归，支持向量机）
• 集成学习（袋装法, 提升法, 级联法, 堆叠法）
• 聚类（k均值，最大期望，层次聚类，主题模型）
• 降维（主成分分析，线性判别分析，子集选择）
• 图形模型（贝叶斯网络，马尔可夫网络）

教材：

Machine Learning, 2nd edition, by Ethem Alpaydin

考核方式：

包含日常作业、项目、论文陈述、期中考试和期末考试，综合评定

课程使用编程语言和框架：

Python

课程目标：

通过案例研究调查数据分析的工业和科学应用，包括通过案例研究探索道德问题。学生将使用各种现实世界的数据集，并学习如何通过清理和重新格式化来准备数据集进行分析。我们还将介绍各种数据探索技术，包括摘要统计和可视化方法。

课程内容：

定义数据分析问题

数据收集与准备

• 数据格式，解析和转换
• 可伸缩性和实时问题

数据清理

• 一致性检查
• 异构数据和缺失数据
• 数据转换和细分

探索性分析

• 描述性和比较性统计
• 聚类和关联
• 假设产生

可视化

• 设计可视化
• 时间序列
• 地理位置数据
• 相关性和联系
• 层次结构和网络
• 互动性

教材：

Making Sense of Data: A Practical Guide to Exploratory Data Anαlysis and Data Mining, by Glenn J. Myatt

考核方式：

作业、项目、期中考试和期末考试，综合评定

课程目标：

本课程介绍基本的统计回归模型和实验概念的设计。主题包括简单线性回归、多重线性回归、参数的最小二乘估计；线性回归中的假设检验和置信区间、模型检验、数据分析和模型适用性、广义线性模型、单因素实验的设计和分析。

课程内容：

简单线性回归

• 具有一个预测变量的线性回归
• 回归分析和相关分析中的推论
• 诊断和补救措施
• 回归分析中的同时推断
• 简单线性回归分析的矩阵方法

多元线性回归

• 多元线性回归，估计和预测
• 定量和定性预测变量的回归模型
• 模型选择和验证
• 诊断
• 补救措施

逻辑回归，泊松回归和广义线性模型

• 逻辑回归，推断，模型选择，拟合优度测试，
• 泊松回归
• 广义线性模型

单因素实验的设计与分析

• 实验研究，观察研究和因果关系
• 实验研究：基本概念
• 标准实验设计概述
• 单因素方差分析模型

教材：

M. Kutner, C.J. Nachtsheim, J. Neter, W. Li, Applied Linear Statistical Models, 5th edition (with Student CD)

应用线性统计模型（英文影印版）

考核方式：

作业、项目、期中考试和期末考试，综合评定

编程语言和工具：

R语言

课程目标：

严格介绍贝叶斯统计推断和数据分析的理论，包括先验和后验分布、贝叶斯估计和检验、贝叶斯计算理论和方法，以及使用流行的统计软件实现贝叶斯计算方法。

课程内容：

贝叶斯推理的基本原理、单参数模型、多参数模型、大样本推论和频率属性、层次模型、贝叶斯计算、回归模型、高级主题。

教材：

Gelman, A., Carlin, J. B., Stern, H. S., Rubin, D. B. (2013) Bayesian Data Analysis, Third Edition, Chapman & Hall/CRC.

贝叶斯数据分析（第三版）

本书为英文版，国外诸多名校采用。统计专业的经典教材，同时更新了新的进展。作者均为统计方向知名的专家

考核方式：

作业、项目、期中考试和期末考试，综合评定

编程语言和工具：

R语言，MATLAB

课程目标：

可用的大量观测和实验数据为我们提供了更多了解世界的绝好机会。本课程讲授现代统计方法以从数据中学习，例如回归、分类、核方法和支持向量机。

课程内容：

统计学习概述

• 回归模型与最近邻模型
• 各种方法和挑战

回归和分类的线性方法

• 线性回归和最小二乘法
• 线性回归的子集选择和系数收缩
• 线性判别分析
• 逻辑回归

基础扩展和核方法

• 分段多项式
• 平滑样条
• 通过复制核希尔伯特空间进行正则化
• 核平滑器
• 局部回归

模型评估，选择和推断

• 偏差，方差和模型复杂性
• 贝叶斯方法和BIC
• Vapnik-Chernovenkis维度
• 交叉验证
• 自举和最大似然估计

高级课题

• 附加模型和树
• 神经网络
• 支持向量机
• 最近邻方法
• 无监督学习

教材：

T. Hastie, R. Tibshirani and J. Friedman, The Elements of Statistical

Learning, Springer (2001)

统计学习基础

英文版影印本

考核方式：

作业、编程项目、测验、期末考试，综合评定

编程语言和工具：

R、 JMP、MATLAB

点击下方链接，看看你适不适合读伊利诺伊理工大学大学AI硕士。