近日，由我院郑杰老师牵头的课程 “人工智能在科学和工程学的应用”在信息学院顺利完成公开答辩。10组学生就基因组学、冷冻电镜、X射线自由电子激光、化学催化剂活性预测、药物设计、蛋白质结构预测等研究方向对自己所研究的课题进展进行了汇报，并就相关问题和同学、老师开展了进一步的交流和探讨。“人工智能在科学和工程学的应用”是一门高度交叉融合的课程，涉及人工智能技术与各种应用领域知识和技术的深度结合，旨在用人工智能技术促进基础科学与工程技术的创新研究。该门课程的任课老师、助教来自信息学院、物质学院、生命学院、免疫化学所和iHuman 研究所等多个院所，课程设计项目由来自不同学院、不同专业背景的学生混合组队完成。
课程背景（设计这门课程的初衷）
在基础科学与工程学研究的各个领域，人工智能（AI）正在扮演越来越重要的角色。其中一个重要的原因是当前的科学研究需要收集和分析海量的科学数据，而基于大数据的深度学习技术，作为AI的技术之一，非常适合从大规模、高维度的数据集中发现规律、建立模型并做出精准预测。虽然已有很多AI（特别是深度学习）技术在基础研究领域应用的成功案例，但其文献仍然分散在期刊、会议论文集、新闻报道等。而大部分现有的AI课程和教学资源是以计算机科学及相关领域的学生为授课对象。这些原因，使基础科学领域的研究人员和学生难以及时了解快速发展的AI技术。因此，我们设计这门课程，专门讲授如何将AI技术应用于基础科学研究，打破传统学科壁垒，将AI相关的信息科学与技术深度融入到基础科学技术领域（包括物理、化学、生物学、材料科学与工程等）。目前，在世界范围内还没有其它类似的课程。
课程介绍（课程体系框架）
这门课的教学目标主要是帮助来自不同学科背景的学生理解和使用AI技术，并应用于他们自己的科研项目。通过演讲课（lectures）和实践习题课（tutorials），同学们将了解AI（特别是深度学习）的基本概念，能理解并使用最常用的机器学习技术，培养具备提炼AI应用的科学问题的能力，能够选择最合适的算法，并在这些基础上改进现有的算法以提高他们的性能指标，做出方法创新。
课程的教学模式是基于项目的学习（project-based learning），即在实现一个技术目标的过程中为了解决具体问题来学习相应的知识和技能。这样使学生不会局限于某一类具体的技术，而能够主动获取知识。学生成绩中，作业（homework assignments）占30%，课程项目（project）占60%，剩下10%包括随堂测试（quiz）和考勤。此外，我们强调不同学科之间的交叉融合，比如每个课程项目小组一般由3名学生组成，且尽可能来自不同的学院。这样有助于同学们在平时的上课和项目实践中互相学习，培养学科交叉合作的意识和能力。
课程内容首先是AI的基础知识和技能，主要包括机器学习的基本介绍， 深度学习技术（卷积神经网络、循环神经网络、自编码器）的介绍，以及GPU，SciKit-Learn，TensorFlow等高性能计算资源和软件平台的配置和使用。之后我们会介绍AI在几个基础学科领域的应用现状和成功案例，包括生物信息学、基因组学、冷冻电镜、自由电子激光、蛋白质折叠、材料科学等。此外，我们还邀请了两位工业界的嘉宾来演讲介绍AI在医药健康领域的应用。
课程团队介绍
“人工智能在科学和工程学的应用”是一门内容丰富、覆盖面广、极具挑战的创新性课程。 团队由12位教学经验丰富的院系老师以及工业界特聘嘉宾助阵。他们长期从事相关教学、科研工作，具有行业内足够的知识储备和丰富的教学、管理经验。值得特别指出的是，在教学团队背后还有一支坚强的助教团队，他们拥有强烈的敬业精神，能够协助授课老师确保课程正常地运行。同时，此门课程的顺利开设得到了学校相关部门、各大院系的大力支持。
以下是授课教师、助教团队和工作人员名单：
授课教师：信息学院郑杰、何旭明和范睿；
免疫化学所蒋立春、iHuman研究所武丽杰、iHuman研究所、生命学院赵素文；
物质学院杨波、于奕、刘晓平、孙兆茹、Yongjin Lee和物质学院、高研院怀平；
腾讯人工智能实验室科学家王晟
药明康德大数据和人工智能部负责人及执行主任陈德铭
IBM Watson Health大中华区首席营运官周德标
助教团队：刘永飞，张可，何彦男，罗海旻（信息学院）
宋珂（免疫化学所）
熊招平（生命学院）
苏欣，刘旭阳（iHuman）
张晓峰，王宝川（物质学院）
教务员：刘丽红，徐天鸿
教学平台支撑：闻天明，王丽
沪公网安备 31011502006855号
