西安大略大学 The University of Western Ontario

计算机硕士 MS in Computer Science

+ 查看更多

人工智能伦理

本课程的目的是在当代社会的社会、经济和政治应用背景下，向学生介绍与人工智能、数据科学和大数据相关的选定伦理和法律框架。除了 AI 伦理的哲学方面的指导外，该课程还将以法律和人工智能领域的学术和行业专家的客座讲座为特色。

游戏引擎开发

首先，视频游戏是一款软件。因此，编程是游戏开发的核心。然而，对视频游戏进行编程会引发一些传统软件开发中没有的有趣挑战。编写游戏需要将来自计算机图形学、人工智能、网络和其他学科的复杂概念和软件技术集成到一个高度可用、高度交互的包中，并具有严格的实时性能限制。游戏编程越来越多地分为两个独立且重要的任务：游戏引擎的开发，提供支持一个或多个游戏的核心功能，以及运行在该引擎之上的游戏逻辑的开发，提供特定游戏的细节游戏。

数据库 II

数据库管理系统是管理大量数据不可或缺的工具。Databases II 是一门关于数据库管理系统的高级课程，重点介绍这些系统的内部结构及其工作原理。该课程涵盖有关数据库管理系统的高级主题，包括磁盘存储和索引、查询评估和优化、并发控制和恢复、并行和分布式数据库、数据库调整、数据安全和数据隐私以及信息检索。

分布式和并行系统

本课程研究构建分布式系统和开发分布式应用程序的基本方面。重点放在使用套接字和远程过程调用的客户端-服务器应用程序设计，以及通过使用复制、组成员协议、时钟同步和逻辑时间戳开发可靠的应用程序。学生将有机会开发可靠的分布式应用程序。

游戏设计

本课程对视频游戏设计和实施进行了深入研究，以研究带来这些挑战的许多概念和问题。主题包括：电子游戏的历史；游戏开发过程；游戏设计、游戏玩法和平衡的原则；游戏类型和特定类型的设计问题；情节、故事和关卡设计；来自计算（图形、人工智能、网络、软件工程等）和其他领域（物理学、解剖学、语言研究等）的技术基础；视频游戏和博彩业中的道德问题；和游戏的未来。该课程将以一个重要的小组项目结束，该项目专注于创新视频游戏的设计和开发。

人工智能 II

本课程是 CS3346 人工智能 I 的延续。广泛的领域属于人工智能领域。在本课程中，我们将简要介绍人工智能的三个非常活跃的领域：机器学习、自然语言处理和计算机视觉。编程作业将在 Matlab 中完成（将给出 Matlab 的简短介绍），作业的重点将放在开发实际应用程序上，例如电子邮件中的垃圾邮件检测器、文本分类、视频中的对象跟踪。

算法分析II

本课程侧重于算法设计和分析的高级技术。涵盖的主题包括：近似算法、随机算法、在线算法、零知识证明、并行算法、计算几何和分布式算法。

软件设计与架构

软件设计紧随软件过程中的需求工程阶段之后。软件需求规范告诉我们系统做什么（或做什么），并成为设计过程的输入。由此产生的软件设计告诉我们软件系统“如何”工作（或将要实现）。系统的高级视图，描述了处理元素、数据元素和将各个部分结合在一起的连接元素，称为“体系结构”。本课程侧重于软件架构，但对软件设计也有一些考虑。学习目标是熟悉：软件架构的概念、不同类型的架构，以及它们在软件系统和软件开发中所扮演的角色。讲座中介绍的概念由实际作业和项目补充。

需求分析

需求工程 (RE) 涵盖了发现、分析、记录和维护基于计算机的系统的一组需求所涉及的所有活动。使用术语“工程”意味着应该使用系统的和可重复的技术来确保系统需求是完整的、一致的、相关的等。RE 是软件开发过程的前端部分，它使软件工程师能够定义什么软件系统需要做什么以及它应该运行的环境。

人机交互

本课程概述了人机交互 (HCI) 的多个领域。从广义上讲，人机交互是一门与人类使用的交互式计算系统的设计、评估和实现有关的学科，并研究它们周围的主要现象。HCI 处理人类作为开发人员或用户、个人或团体与计算机的任何交互。完成课程后，学生应具备设计、实施和评估有用和可用的交互式系统的基本方面的理论知识和实践经验。预计学生将熟悉 HCI 的一些文献，并在 HCI 问题上发展足够的背景知识，以参加更高级的课程或在硕士期间开始研究项目

生物序列分析

介绍用于分析生物序列的技术。主题包括：序列比对、动态规划、BLAST、间隔种子、后缀树、后缀数组、马尔可夫链和隐马尔可夫模型、序列家族的轮廓 HMM、多序列比对方法、构建系统发育树等。

高性能以硬件加速技术为重点的计算

本课程的目的是向您介绍能够利用这些新计算资源的算法和软件程序的设计和分析。以下概念将指导我们追求高性能：并行性、可伸缩性、粒度、局部性、缓存复杂性、同步、调度和负载平衡。

图像压缩

本课程让学生深入了解各种数字静态图像压缩方案的基础知识和原理。完成课程后，学生将掌握基础知识，帮助他们理解各种压缩技术，从而优化他们对特定应用程序的使用。

图像处理与分析

我们涵盖了基本的图像处理技术、空间和频率域的滤波（低通、高通和带通滤波器）、边缘检测、区域增长、形态学操作、直方图、分割、傅里叶变换和采样等。编程语言是MatLab。

机器学习简介

机器学习的基本原理（估计、优化、预测、泛化、偏差方差权衡、正则化）在监督（线性模型、决策树、深度神经网络）和无监督（聚类和降维）的背景下统计学习技术。与 Data Science 3000 交叉列出。适合在本科阶段没有上过机器学习课程的研究生。

信息可视化

在本课程中，我们将学习什么是信息可视化，信息/数据如何可视化呈现，如何与信息交互以执行任务，信息可视化的应用有哪些，人类如何处理视觉信息，人们如何导航信息空间，以及哪些活动和环境可以从信息可视化技术中受益。

数据结构与算法

概述计算中的核心数据结构和算法，重点是各种学科中信息学和分析的应用。包括列表、堆栈、队列、树、图及其相关算法；排序、搜索和散列技术。适用于非计算机科学专业的研究生。

计算机视觉技术简介

本研究生课程考察计算机视觉领域的基础技术。视觉是使我们能够建立强大的世界内部表征的感官之一。因此，正确解释视觉信息的机器具有与世界和人类互动的扩展能力。要做到这一点，就需要算法能够解释嘈杂的图像并构建对视觉场景的操作理解。从图像处理到运动理解，再到 3D 立体视觉和重建，让计算机以我们人类的方式看待事物的目标仍然遥不可及，并且构成了人工智能的一个令人兴奋的子课题。

非结构化数据

非结构化数据的管理和分析，重点关注文本数据，例如交易日志、新闻文本、文章摘要和微博。非结构化图像、音频和视频数据概述。具有现代分布式数据管理和分析基础架构的实践经验。

计算机网络 II

本课程将介绍电信行业的一些核心技术功能；介绍这些单元的核心挑战，以及如何探索这些挑战。学生将通过各种研究项目、讨论和作业获得现实生活中的知识和经验 。本科生将主要参与设计和开发工具/原型，以解决特定的高价值电信行业功能问题。研究生将主要参与探索现实世界中复杂的电信研究课题，并撰写解决特定研究问题的完整研究论文。此外，本课程  预计  帮助研究生（尚未确定他们的论文主题）找到一个有趣的现实世界研究问题，这可能很适合他们的论文。

互联网算法

本课程侧重于研究用于解决广域网（例如 Internet）的设计和使用中出现的问题的算法。我们可能涵盖的主题包括：网络问题的分布式算法、在 Web 上搜索信息和 Web 爬行、缓存和预取、路由、服务放置和集群、对等系统、负载平衡。

强化学习

本课程将介绍强化学习的基本概念和算法，强化学习是一种使用“奖励”代理思想的机器学习方法。强化学习结合了微积分（例如，基本积分、梯度下降的偏导数）、矩阵代数、概率（例如，条件期望）和编程。

网络物理系统中的软件工程主题

本课程介绍了与设计和实施复杂软件网络物理系统 (CPS) 相关的软件工程的关键领域。本课程讨论建模和元建模语言、基于 XML 的语义模型（RDF、RDFS、OWL）、网络物理系统参考架构、面向资源的服务计算、面向资源的规范语言（Swagger、RAML、OpenAPI）、Micro - 服务架构、自主计算架构、分布式处理框架（map-reduce 架构）、对基于组件的系统的信任、CPS 应用程序（工业 4.0、智能环境、自治系统）。

生物信息学专题

生物信息学使用生物学、计算和数学方法研究生物学问题。计算生物学研究可以有效解决生物学问题的计算技术。本课程涵盖了生物信息学研究中的一些选定主题。

高级机器学习

本课程将全面介绍机器学习，这是 AI（人工智能）中最活跃和最重要的领域之一。将涵盖各种学习范例、方法和理论。主要重点将放在从示例中进行归纳学习。

软件工程实证研究

这是一门关于“研究方法”的课程，特别关注如何在软件工程 (SE) 领域进行实证研究。我们还将接触计算机科学 (CS) 和信息技术 (IT) 的研究方法。虽然创造力是推进科学知识的核心，但开展研究需要使用严格的定性和定量方法。

大数据应用和分析软件工程

本课程的重点是开发、维护和演变。处理大量数据的软件应用程序和服务。随着技术的最新进步（例如，普适计算、物联网、云计算、传感器和设备等），捕获和处理大量结构化和非结构化数据（例如，患者记录、交通流量）变得更加实用数据、视频数据、图像、体育统计数据、事件、物流数据等）。此外，随着互联网和通信技术（例如，在线访问、电子商务、社交媒体数据、移动数据等）的大量使用，组织和机构之间对分析此类数据以进行分析的兴趣越来越浓厚他们的目的。

数据管理主题

数据管理包括数据发现、收集、准备、清理、操作和存储的所有方面。随着数据的广泛使用，数据管理领域的范围不断扩大，面临许多需要新技术和解决方案的新挑战。本课程深入探讨了数据管理中的一些高级问题和新挑战。该课程涵盖数据准备、数据质量和清理、ETL 和数据仓库以及数据隐私和隐私保护数据分析等主题。该课程包括讲座和研讨会课程。在研讨会课程中，学生将展示数据管理领域的开创性文章、有关该领域最新进展的研究论文以及有关流行工具的教程。.

受大脑启发的人工智能

人脑是能够产生智能行为的最强大、最高效的计算系统。尽管人工智能 (AI) 领域的所有进步旨在使机器能够产生智能行为，但自然智能与人工智能之间仍然存在很大差距。在本课程中，我们将讨论人工智能和神经科学这两个领域如何更好地协同工作。AI 可以利用大脑研究的见解来指导其工作，同样，神经科学家可以使用 AI 工具来更多地了解大脑的工作原理。本课程将为您提供神经信息处理、脑机接口和人工智能所需的基础知识。简而言之，该课程涵盖了神经网络模型、它们的优缺点，以及它们在人工智能和神经科学中的应用；脑启发技术，包括卷积、注意力和记忆增强；监督学习、自动联想记忆、无监督学习、自我监督学习、半监督学习及其在人工智能和神经科学中的应用；神经网络的类脑学习算法；讨论来自大脑启发的 AI 领域的最新科学论文。

理论机器学习

本研究生课程旨在介绍机器学习的数学和理论基础。在介绍基础知识之后，课程将分析几个核心机器学习概念和算法，包括分类、回归、排序、降维等。本课程还将涵盖一些高级机器学习主题，如迁移学习、元学习等。本课程专为研究生设计，需要线性代数、概率和优化方面的基础知识。机器学习的基本知识（例如 SVM、PCA、boosting）也会有所帮助。

基因组学和蛋白质组学研究课题

基因组学和蛋白质组学是分子生物学的两个快速发展的领域，已经引起了医学革命。基因组学关注生物体基因组的测序和分析，而蛋白质组学研究生物体的蛋白质组（整套蛋白质），包括蛋白质丰度、变异、修饰及其与其他蛋白质或 DNA 的相互作用。这两个领域旨在了解细胞过程及其与疾病的关系。本课程将首先介绍计算分子生物学的基本概念，包括序列比对、动态规划、BLAST、间隔种子、后缀树、后缀数组、马尔可夫链、隐马尔可夫模型、序列家族的轮廓 HMM、多序列比对方法, 等等

高维噪声数据分析

大数据通常是原始的并且包含相当大的噪音。通常，测量误差和缺失观测值带来的挑战特别有趣。测量误差和缺失数据普遍存在于各个领域，包括健康科学、流行病学研究、调查研究、环境 1 研究、经济学等。它们一直是数据分析领域的长期关注点，并且在过去几十年中引起了广泛的研究兴趣。有据可查的是，忽略统计分析中的测量误差或缺失数据可能会导致错误甚至误导性的结果。然而，测量误差或缺失数据的影响是复杂的，并且受到多种因素的影响。本课程的主要目的是引导学生通过这些具有挑战性但令人兴奋的领域，最终目标是拓宽研究生的视野，使他们具备解决各种研究问题的关键技能。通常，测量误差和缺失数据的影响将针对多种情况进行论证。将仔细讨论不同类型的测量误差模型和缺失数据机制。