985/211 信息学院人工智能专业的课程体系，整体呈现 “本科重基础广度 + 硕士重理论深度与前沿方向” 的分层结构。以下为信息学院（计算机 / 自动化 / AI 学院）主流课程清单（通用模板）。
一、人工智能本科（信息学院）课程体系

1. 通识必修课（全校统一）
   思政类：思修、近代史、马原、毛概、形势与政策
   英语：大学英语（1–4）
   体育、职业规划、创新创业、人文选修课
2. 数理基础（AI 核心根基）
   高等数学（上 / 下）/ 数学分析
   线性代数 / 高等代数
   概率论与数理统计
   离散数学（集合、图论、逻辑、代数系统）
   数值分析 / 计算方法
   最优化方法 / 凸优化（部分学校必修）
3. 计算机核心课（信息学院标配）
   C/C++ 程序设计
   Python 程序设计
   数据结构
   算法设计与分析
   计算机组成原理 / 体系结构
   操作系统
   计算机网络
   数据库系统
   软件工程
   编译原理（部分 985 必修）
4. AI 专业核心课（必修）
   人工智能导论 / 人工智能原理
   机器学习（经典算法为主）
   深度学习 / 神经网络与深度学习
   模式识别
   计算机视觉
   自然语言处理（NLP）
   知识工程 / 知识图谱
   人工智能伦理与安全
5. 专业选修课（方向化）
   强化学习
   数据挖掘
   机器人学 / 智能机器人
   语音信号处理
   多模态 AI
   大数据技术
   智能芯片 / 嵌入式 AI
   类脑计算、群体智能、进化计算
   数字图像处理、信息检索
6. 实践环节
   课程设计：机器学习实验、深度学习实验、CV/NLP 大作业
   专业综合实验 / 项目实训
   毕业设计（论文）
   二、人工智能硕士（学硕 / 专硕）课程体系
7. 公共课
   中国特色社会主义理论
   专业英语 / 学术英语写作
   自然辩证法
8. 数学与理论进阶（必修）
   矩阵分析 / 高等线性代数
   随机过程 / 高级概率统计
   凸优化 / 最优化理论
   信息论与编码
   高级算法设计 / 计算复杂性
9. AI 核心理论课（必修）
   高级机器学习 / 统计学习理论
   高级深度学习 / 深度生成模型
   强化学习（深度强化学习）
   多智能体系统
   贝叶斯机器学习 / 概率图模型
10. 方向选修课（按实验室方向选）
    （1）计算机视觉
    高级计算机视觉、三维视觉、医学图像处理、视频理解、NeRF、SLAM
    （2）自然语言处理
    高级 NLP、大语言模型、机器翻译、文本生成、对话系统、语义理解
    （3）数据科学与挖掘
    高级数据挖掘、分布式机器学习、大数据系统、推荐系统、因果推断
    （4）机器人与控制
    机器人学、自主导航、运动规划、强化学习在机器人中的应用
    （5）前沿专题
    多模态大模型、联邦学习、自动驾驶、AI 安全、AI 芯片、类脑智能
11. 科研与实践
    文献阅读与学术写作
    专业研讨（Seminar）
    开题报告、中期考核、学位论文
    企业实习（专硕为主）
    三、本科 vs 硕士：核心区别
    本科：打地基
    覆盖全栈：数学 + 计算机 + AI 基础 + 应用入门
    强调工程实现、编程、实验、项目
    知识广度优先，深度较浅
    硕士：攻方向、做科研
    数学与理论显著加深（矩阵分析、凸优化、统计学习理论）
    课程高度方向化（CV/NLP/RL/ 多模态选一到两个）
    强调论文阅读、算法推导、复现、创新设计
    以科研项目 + 论文为核心产出
    四、典型 985 课程特点（举例）
    清华 / 北大 / 浙大
    数学极深：数学分析、抽象代数、拓扑、随机过程
    理论强：统计学习、凸优化、计算复杂性、贝叶斯方法
    前沿：大模型、多智能体、具身智能、量子 AI
    上交 / 复旦 / 中科大
    系统 + 算法并重
    强化：分布式系统、高性能计算、AI 系统
    交叉：医疗 AI、金融 AI、自动驾驶
    华科 / 哈工大 / 西交 / 天大
    工程导向强
    机器人、智能控制、工业智能、芯片 / 嵌入式突出
    五、你当前 NLP 方向的核心课（本硕对应）
    本科必学
    机器学习、深度学习、NLP、数据结构、Python/PyTorch
    硕士必学
    高级机器学习、高级 NLP、大语言模型、统计学习理论、凸优化

本科 + 硕士 完整课程 + 学习路线 + 必读内容 + 实验项目
一次性给全，你可以直接对照自己的培养方案查漏补缺。
一、本科阶段：NLP 方向完整成长路线（AI / 信院标配）
1）大一：打基础（数学 + 编程）
高等数学
线性代数
C/C++ 程序设计
计算机导论
离散数学
目标：能写代码、懂基本数学符号、会用数组 / 循环 / 递归。
2）大二：核心基础（CS + AI 入门）
数据结构与算法
概率论与数理统计
操作系统 / 计算机网络
人工智能导论
Python 编程（numpy/pandas）
机器学习入门
目标：能实现朴素贝叶斯、逻辑回归、K-Means 等基础模型。
3）大三：AI 专业核心（NLP 正式入门）
必修
机器学习
深度学习
自然语言处理（NLP）
模式识别
数据挖掘
NLP 方向重点内容
分词、词性标注、句法分析
n-gram、语言模型、困惑度
词向量：Word2Vec、GloVe
RNN、LSTM、GRU
Attention 机制
Transformer 基础
文本分类、情感分析、文本相似度
目标：能跑通一个完整 NLP 项目（文本分类 / 命名实体识别）。
4）大四：项目 + 毕设
深度学习综合实验
NLP 大作业 / 课程设计
毕业设计（推荐方向：文本分类、摘要、小模型微调、检索）
二、硕士阶段：NLP 深度科研路线（985 信院标准）
1）必修高阶数学（决定上限）
矩阵分析 / 高等线性代数
凸优化 / 最优化理论
概率与统计 / 随机过程
信息论
统计学习理论
2）AI 高阶核心课
高级机器学习
高级深度学习
强化学习
概率图模型 / 贝叶斯学习
3）NLP 高阶核心（真正科研级）
高级自然语言处理
大语言模型（LLM）
语义理解与表示
机器翻译
文本生成
对话系统
信息检索与推荐
多模态大模型
预训练模型理论（BERT/GPT 系）
4）系统与工程课（非常重要）
分布式机器学习
大数据处理
高性能计算 / GPU 编程
模型部署与服务化
三、NLP 方向必读论文（本硕阶梯版）
本科必看（工程向）
Word2Vec (2013)
GloVe (2014)
Seq2Seq (2014)
Attention (2015)
Transformer (2017)
BERT (2018)
GPT-1/2 (2018/2019)
硕士必看（理论 + 前沿）
GPT-3、PaLM、LLaMA 系列
PPO、DPO（对齐）
MoE、Scaling Laws
检索增强生成 RAG
思维链 CoT
多模态 LLM（CLIP、Flamingo 等）
高效微调：LoRA、QLoRA
四、NLP 必做实验 / 项目阶梯（从简单到顶会水平）
本科阶段
文本分类（情感分析）
中文分词 / 词性标注
Word2Vec 训练 + 词语类比任务（CA8/CA-translated）
LSTM 做文本生成
Transformer 实现机器翻译
BERT 微调下游任务
硕士阶段
预训练语言模型二次预训练
大模型高效微调（LoRA/QLoRA）
RAG 检索增强生成
大模型对齐（DPO/PPO）
多模态对话 / 图文生成
自己设计创新点 → 投 CCFA/B 类会议
五、最实用：本硕 NLP 技能树对比
本科
会用 PyTorch/Hugging Face
能跑通经典模型
能做完整项目
懂基础数学推导
硕士
能推导算法、写公式证明
能复现顶会论文
能设计创新结构 / 损失函数
懂分布式训练、加速、部署
能独立完成一篇会议 / 期刊论文
如果你告诉我：
你是本科还是硕士
学校大概层次（985/211 / 双非）
想走工程就业还是读博科研

本科 4 年 + 硕士 3 年・NLP 方向完整课程 + 学习规划表
不用你再补充信息，直接按顶尖信院模板来。
一、本科四年（人工智能专业・信息学院）课程 + 能力路线
大一：数学与编程打底
必修课
高等数学（上、下）
线性代数
大学物理
C/C++ 程序设计
离散数学
思想课、英语、体育
专业先修
Python 入门
Linux 基础命令
Git 版本管理
目标
熟练写代码，能实现简单算法
看懂矩阵、导数、概率符号
大二：计算机核心 + AI 入门
必修课
概率论与数理统计
数据结构与算法
计算机组成原理
操作系统
计算机网络
人工智能导论
数理逻辑 / 集合论
专业选修课
机器学习导论
数字信号处理
数据库原理
NLP 前置能力
文本读取、预处理
词频统计、n-gram
朴素贝叶斯文本分类
目标
能独立做小项目
理解机器学习基本流程
大三：AI 核心课 + NLP 正式进入
必修课
机器学习
深度学习
自然语言处理（NLP）
模式识别
数据挖掘
算法设计与分析
NLP 核心内容
分词、词性标注、NER
语言模型、困惑度、Word2Vec
RNN/LSTM/GRU
Transformer、Attention
BERT 基础、文本分类 / 相似度
选修课（NLP 向）
信息检索
语音信号处理
知识图谱
强化学习基础
目标
能使用 Hugging Face 跑模型
能做完整 NLP 课程设计
大四：项目实战 + 毕设
深度学习综合实验
NLP 大作业
企业实习（可选）
毕业设计（NLP 方向推荐）
文本分类
文本摘要
小模型微调
基于词向量的类比任务（CA8）
目标
具备 NLP 工程 / 科研入门能力
二、硕士三年（人工智能 / NLP 方向）课程 + 科研路线
研一：高阶数学 + 核心理论
公共必修课
中国特色社会主义理论
自然辩证法
专业英语、学术写作
数学高阶课（必修）
矩阵分析 / 高等线性代数
凸优化 / 最优化方法
高等概率统计 / 随机过程
信息论
统计学习理论
AI 核心理论课
高级机器学习
高级深度学习
强化学习
概率图模型 / 贝叶斯学习
NLP 高阶课
高级自然语言处理
预训练语言模型
大语言模型（LLM）
机器翻译
文本生成与对话系统
系统工程课
分布式机器学习
大数据与并行计算
GPU 编程与模型部署
研二：方向深耕 + 论文复现 + 实验
按实验室方向选一个主攻：
大语言模型
Scaling Laws、MoE、对齐（PPO/DPO）
语义与理解
句子表示、对比学习、语义解析
文本生成
摘要、对话、创作、长文本建模
信息检索与 RAG
稠密检索、检索增强生成
多模态 NLP
图文对齐、多模态大模型
科研动作
每周读顶会论文（ACL/EMNLP/NAACL/NeurIPS/ICML）
复现 SOTA 模型
跑实验、调参、写代码
确定创新点，写第一篇论文
研三：论文发表 + 求职 / 申博
完成小论文（CCF B/A 类）
撰写学位论文
实习或继续科研
求职（算法 / NLP / 大模型）或申博
三、本硕 NLP 核心能力对比（985 标准）
本科要求
会用 PyTorch、Hugging Face
能做文本分类、NER、相似度
理解词向量、Transformer
能完成工程型项目
硕士要求
能推导 ML/DL 算法公式
能复现顶会论文
能设计模型结构、损失函数
懂分布式训练、LoRA/QLoRA、RAG
能独立完成一篇高质量学术论文
四、你现在这段代码在整个体系里的位置
你之前发的：
python
运行
sentences = [...]
model = Word2Vec(...)
属于：
本科大三上《自然语言处理》经典实验
对应知识点：词嵌入、词语类比任务（CA8/CA-translated）
是硕士做语义理解、LLM 表示学习的基础中的基础
如果你愿意，我可以下一步直接给你做一份：
【NLP 从 Word2Vec → LLM 完整进阶路线图】