机器学习理论与基础 | 智能体与多智能体系统

机器学习理论: 统计学习理论、计算学习理论、优化算法、在线学习、集成学习。

深度学习: 神经网络架构（如Transformer、CNN、RNN、GNN）、深度学习理论、模型压缩与加速、高效深度学习。

强化学习: 深度强化学习、多智能体强化学习、逆强化学习、奖励函数设计、RL应用。

其他学习范式: 无监督/自监督学习、半监督学习、迁移学习、元学习、小样本学习。 | 智能体理论架构: 智能体认知模型、信念-期望-意图（BDI）架构、理性决策、协商与博弈论。

多智能体系统: 多智能体协作、协调、通信、分布式问题解决、机制设计。

自主智能体: 软件智能体、机器人智能体、信息智能体、移动智能体。

应用系统: 智能交通系统、智能电网、分布式监控、自动化谈判。

人工智能应用 | 核心计算机科学与交叉领域

自然语言处理 (NLP): 大语言模型（LLMs）、文本生成、机器翻译、情感分析、问答系统、信息抽取。

计算机视觉 (CV): 图像/视频识别、目标检测与跟踪、图像生成、3D视觉、医学图像分析、自动驾驶视觉。

数据挖掘与知识发现: 大数据分析、推荐系统、社会网络分析、异常检测、预测模型。

语音与音频处理: 语音识别、语音合成、音频事件检测、音乐信息检索。 | 算法与计算理论: 先进算法设计、计算复杂性、近似算法、量子计算。

系统与安全: 人工智能系统的安全与隐私、对抗性机器学习、可解释AI（XAI）、AI伦理与治理、高性能计算支持AI。

人机交互 (HCI): 人机协作、人性化AI、可解释用户界面、智能用户体验（UX）设计。

交叉学科应用: 计算生物学、生物信息学、AI for Science（科学智能）、智慧城市、金融科技（FinTech）、数字医疗。