学科前沿讲座是计算机类专业选修课程，介绍计算机学科的一些前沿研究领域和热点问题，帮助学生建立未来职业发展预期和研究方向。
目前，计算机学科的研究已经从经典的软件系统和网络数据存储研究，过渡到以人工智能为前沿总览的智能应用系统开发和云计算阶段，利用云操作系统、大数据分析、深度学习等技术，现代人工智能技术迅速崛起，并在各行业开始广泛应用，人工智能及其相关技术已经上升到国家战略层面。人工智能以计算机、数学等学科为基础，已经成为一门包含众多不同研究领域和理论方法的综合学科，近几年人工智能的学术研究和产业应用的迅速融合，使学术理论与产业应用之间的鸿沟几乎消弭，也使许多人工智能的最新进展已超出大多数经典教科书所涵盖的范围。
本课程将以计算机学科研究和应用为背景，介绍人工智能理论框架、云计算、AI硬件、深度学习算法等计算机学科前沿内容。结合实际行业的具体场景，介绍现代人工智能技术及相关计算机技术在这些实际行业背景下的系统化应用以及所面临的挑战。
百分制计分，需同时完成在线慕课学习的各项活动和期末课程论文，其中平时成绩（包含在线慕课学习的学习、测验等各项活动）占40%，期末课程论文占60%。
第一讲 引言
开篇的话
L01-01 为什么要学习人工智能及与人脑的关系
L01-02 人工智能溯源：从“只会计算的电脑“说起
L01-03 现代人工智能理论框架：数据驱动下的统计学习
L01-04 人工智能的产业应用：2C场景 与 2B场景
第一讲测验
第二讲 基于AI的线下商业和智能零售（上）
第二讲 引言
L02-01 商业零售场景的核心问题及技术发展回顾
L02-02 深度学习之前的商业零售客流统计
L02-03 对深度学习的误解：没有免费的午餐定理
L02-04 基于深度学习的零售客流统计
第二讲 测验
第三讲 基于AI的线下商业和智能零售（下）
第三讲 引言
L03-01 提高智能零售数据的维度：如何感知顾客身份与属性
L03-02 商业零售场景中的人脸识别问题
L03-03 深度学习的贡献：零售场景中的人脸检测与属性识别
L03-04 零售场景中的身份与行为识别
第三讲 测验
第四讲 特邀报告（清华大学计算机系 易鑫 博士）
课堂讨论
L04-03 典型案例：智能文本输入技术
L04-04 多模态智能交互技术示例
单元测验
L04-01 智能人机交互的背景和挑战
L04-02 贝叶斯方法：智能交互意图推理的利器
补充资料：参考文献（全文）
参考文献
第五讲 基于AI的城市交通
第五讲 引言
L05-01 智能城市交通的核心问题
L05-02 城市交通中的AI底层技术：车牌识别与车型识别
L05-03 城市交通中的AI底层技术及应用：车辆跟踪及交通路面的AI应用
L05-04 城市交通中的AI应用：数据融合与车载智能
第五讲 测验
往期精彩回顾I：数据驱动智慧交通（特邀嘉宾：滴滴出行副总裁）
引言
L05-01 智慧交通与交通大数据
L05-02 交通控制基本概念
L05-03 大数据驱动的动态交通优化
L05-04 智慧交通展望
课堂讨论
讲义
往期精彩回顾I-测验
第六讲 特邀报告（2019世界人工智能大会精彩集锦）
CIMON——Crew Interactive Mobile Companion
讨论题
其它片段
第七讲 从GPU到AI芯片
第七讲 引言
L07-01 全球芯片产业应用概要
L07-02 什么是AI芯片及与AI算法的关系
L07-03 从GPU到ASIC
L07-04 国内外已发布的AI芯片简介
L07-05 结语
课堂讨论
第七讲 测验
往期精彩内容回顾II：AI量化投资（特邀嘉宾：涵德投资CEO-秦志宇）
AI量化投资（特邀嘉宾：涵德投资CEO-秦志宇）
往期精彩-AI量化投资测验
往期精彩内容回顾III：TensorFlow in Production（特邀嘉宾：谷歌总部资深高级工程师）
TensorFlow in Production（特邀嘉宾：谷歌总部资深高级工程师）
1. Overview-TensorFlow的功用和组成
2. TF Transform模块简介
3. TF ModelAnalysis模块简介
往期精彩-TensorFlow in Production测验
往期精彩回顾IV：AI时代下的存储技术发展（特邀嘉宾：同有科技产品总监）
引言
L06-01 存储基础知识
L06-02 软件定义存储
L06-03 云计算及大数据存储解决方案
L06-04 存储技术发展趋势
课堂讨论
往期精彩回顾-存储技术测验
※书籍※
· 《Deep Learning》, Ian Goodfellow&Yoshua Bengio
※文献※
[1] Y. LeCun, L. Bottou, Y. Bengio, P. Haffner, “Gradient-based learning applied to document recognition” Proceedings of the IEEE, v. 86, pp. 2278-2324, 1998.
[2] P.Y. Simard, D. Steinkraus, and J.C. Platt. Best practices for convolutional neural networks applied to visual document analysis. In Proceedings of the Seventh International Conference on Document Analysis and Recognition, volume 2, pages 958–962, 2003.
[3] A. Krizhevsky, I. Sutskever, and G. Hinton. Imagenet classification with deep convolutional neural networks. In NIPS, 2012.
[4] K. Simonyan and A. Zisserman. Very deep convolutional networks for large-scale image recognition. In ICLR, 2015.
[5] K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learning for image recognition. In CVPR, 2016.
[6] R. Girshick. Fast R-CNN. In ICCV, 2015
[7] S. Ren, K. He, R. Girshick, and J. Sun. Faster R-CNN: Towards real-time object detection with region proposal networks. In NIPS, 2015.
[8] Jifeng Dai, Yi Li, Kaiming He, Jian Sun, R-FCN: Object Detection via Region-based Fully Convolutional Networks, ArXiv:1605.06409
[9] A. Shrivastava, A. Gupta, and R. Girshick. Training region-based object detectors with online hard example mining. In CVPR, 2016.
[10] K. He, X. Zhang, S. Ren, and J. Sun. Spatial pyramid pooling in deep convolutional networks for visual recognition. In ECCV. 2014.