






















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
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】
本博客是博主个人学习时的一些记录,不保证是为原创,个别文章加入了转载的源地址,还有个别文章是汇总网上多份资料所成,在这之中也必有疏漏未加标注处,如有侵权请与博主联系。 如果未特殊标注则为原创,遵循 CC 4.0 BY-SA 版权协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理,仅供阅读参考。 原文来自 — 版权归原作者所有。