覆盖计算机与人工智能，金融商科，理工，人文社科四大方向，由顶尖高校一线研究人员全程带领，每个项目均以真实科研问题为驱动，帮助学生完成从方法训练到成果产出的完整研究闭环。
本课程是一门跨学科的科研导向课程，旨在引导学生探索人工智能、计算机视觉与物理系统设计之间的联系。课程将结合数学、物理和计算方法，帮助学生理解智能系统如何通过算法与工程设计实现对现实世界的感知与交互。学生将学习图像处理、特征识别、基础机器学习算法以及物理系统建模等核心概念，并理解这些技术在现代智能系统中的应用。在课程实践环节中，学生将参与小型科研项目，通过编程与实验探索智能系统的设计与实现。例如，学生可能开发基于机器视觉的物体识别工具，或通过物理与数学模型设计能够产生特定音调的振动结构。课程最终将以科研成果展示为目标，学生将完成学术海报并进行研究展示，从而体验完整的科研流程。该课程特别适合希望探索人工智能、工程技术与科学研究交叉领域的学生。
本课程系统培养人工智能与大数据技术的跨学科应用能力，重点教授Python编程、NumPy/pandas数据分析及scikit-learn/PyTorch建模技术。通过真实科研项目训练，学员将掌握从基础理论到复杂模型构建的全流程技能，适用于医学、心理学、经济学等多学科研究需求。课程旨在提升在智能时代的跨学科研究水平，助力学员发表高水平论文或实现产业应用，培养具备AI素养的复合型研究人才。
人工智能正在被广泛应用于天气预测、灾害预警、房价评估与金融分析等场景，但所有预测都伴随着不确定性与风险。本课程将带领学生学习如何构建AI预测模型，并重点理解模型误差、不确定性及其对现实决策的影响。通过Python或R实践，学生将基于真实数据完成预测分析，并评估模型的可靠性与风险。课程采用科研导向模式，涵盖回归、决策树、贝叶斯分析等核心方法。最终，学生将完成一个小型科研项目，形成从建模到不确定性分析的完整研究成果。
本课程围绕一个前沿问题展开：人类语言能否直接影响自动驾驶系统的决策？学生将探索如何利用大语言模型（LLM）将"我赶时间"或"开慢一点"等自然语言指令转化为具体的驾驶行为（如速度、路线与驾驶策略）。课程结合自动驾驶基础与人工智能方法，引导学生构建一个"人类语言 → AI理解 → 驾驶决策"的系统。通过模拟实验与项目实践，学生将测试不同指令对车辆行为的影响，并设计人类参与（human-in-the-loop）的反馈机制。同时，课程也将探讨AI误解、人机交互与安全边界等关键问题。最终，学生将完成一个基于LLM的"可对话自动驾驶系统"项目，并形成可展示的demo与研究成果。
本课程面向对机器人技术与工程系统设计感兴趣的学生，系统培养学生运用物理、数学和计算方法解决真实工程问题的能力。课程将重点介绍机器人系统的核心组成，包括电子电路、逻辑控制、电路分析、传感器系统、控制算法以及系统集成等关键技术。通过结合理论讲解与实践项目，学生将深入理解不同类型机器人系统的设计原理及其工程实现方法。在课程中，学生将参与真实科研导向的项目实践，学习从基础理论分析到复杂控制系统构建的完整工程流程。课程内容涵盖机器人感知、控制系统设计、硬件结构优化与工程封装等多个方面，适用于物理、电子工程、机械工程、材料科学以及计算机科学等多学科背景的学生。课程旨在培养学生的跨学科科研能力与工程创新思维，帮助学生掌握机器人系统设计的核心方法，为未来参与前沿科研项目、学术会议成果展示或工程技术应用奠定坚实基础。
本课程系统讲授大语言模型时代的人机交互（HCI）核心技术与研究方法，重点结合健康科学与社会科学应用场景（如辅助技术、双语教育与残障支持等），培养学生从真实问题出发开展交叉学科研究的能力。课程涵盖 Figma 原型设计、用户需求分析，以及混合研究方法（问卷调查、焦点小组、用户研究），并引导学生掌握参与式设计等前沿方法。通过智能交互系统开发与应用设计优化等项目实践，学生将系统掌握 UX 研究与设计流程，最终产出具有学术价值的研究成果或作品集。
结合机器人运动学、机器视觉与三维重构，让手术机器人具备更精准的空间感知能力。
本课程围绕近年来快速发展的直播电商产业，系统介绍人工智能技术与数字商业运营之间的关系。课程将带领学生理解直播电商平台的基本运作机制，包括平台、商家与主播之间的协作模式，以及直播营销如何影响消费者行为和购买决策。学生将通过案例分析与数据思维，学习企业如何制定定价策略、设计直播运营方案，以及在AI主播与真人主播之间做出技术选择。在课程实践环节中，学生将从科研视角探索直播电商背后的商业逻辑与经济学模型，学习如何提出研究问题、构建简单的消费者行为模型，并分析企业在竞争环境下的战略决策。课程最终将以小型科研项目展示为目标，学生将完成一个研究选题并进行展示，从而体验从商业现象观察到科研模型构建的完整研究过程。
本课程旨在系统培养学生在金融领域开展定性研究与定量分析的能力。课程将介绍现代金融研究的基本方法，包括金融数据分析、实证研究设计以及计量经济学在金融研究中的应用。学生将学习如何利用 Stata 等统计工具进行数据处理与分析，并掌握从研究问题提出、数据收集到实证分析与结果解释的完整科研流程。课程内容涵盖资产定价、公司金融、金融市场等核心领域，并延伸至 ESG投资、金融科技（FinTech）与数字金融等前沿研究方向。通过真实科研项目训练，学生将实践金融数据清理、统计建模和研究报告撰写，理解如何利用数据回答金融市场中的重要问题。课程旨在帮助学生建立系统的金融研究思维，为未来在金融、经济学或商业分析等领域的学习与研究打下基础。
随着可再生能源的发展，如何高效整合太阳能、风能、储能及电网资源成为能源工程与可持续发展的核心问题。本课程带领学生深入理解混合能源系统（Hybrid Energy Systems）的设计与优化方法，基于 Genewable 等专业平台，系统讲解多能源系统建模、系统集成与性能分析。在此基础上，课程引入人工智能与优化方法，帮助学生分析复杂负载需求、制定能源调度策略，并探讨峰谷电价机制与需求侧管理对系统设计的影响。学生将完成一个具有工程与研究价值的混合能源系统优化项目。
随着人工智能技术的快速发展，AI与工程仿真的深度融合正成为智能设计的重要发展方向。在振动能量采集领域，如何利用人工智能提高有限元仿真的效率，并实现能量采集器性能的快速预测，已成为当前研究的热点。压电振动能量采集器作为一种能够将环境振动转化为电能的绿色能源技术，在无线传感器、物联网设备和自供电系统中具有广阔的应用前景。 本课题旨在结合人工智能算法与有限元仿真技术，建立压电振动能量采集器的智能分析与优化方法。通过有限元软件模拟不同材料、几何结构和振动工况下采集器的性能，并利用AI模型对仿真数据进行学习与预测，实现结构参数的智能优化，提高能量采集效率和仿真设计效率。通过本课题，学生将掌握有限元仿真、数据分析及人工智能优化等关键技术，培养智能设计与跨学科研究能力。
随着智能设备和物联网的迅速发展，如何为这些设备提供持续、稳定的电力来源成为了一个重要的研究课题。特别是在没有外部电源的环境下，利用环境中的振动能量进行自供电已经成为一种具有广阔前景的解决方案。而压电振动能量采集器，作为一种通过将机械振动转化为电能的技术，凭借其高效、便捷、低成本的特点，受到了越来越多的关注。 本课题旨在通过设计与优化压电振动能量采集器，研究如何最大化振动能量的转化效率，并深入探讨压电材料、几何结构、振动频率等因素对能量采集性能的影响。通过使用有限元仿真工具，学生们将能够模拟和分析不同设计方案在不同振动条件下的表现，探索如何优化结构设计，提高能量转化效率。
随着可穿戴电子设备、健康监测系统和智能医疗技术的快速发展，如何为这些设备提供持续、可靠的能源供应成为了研究热点。人体在日常活动过程中会产生丰富的机械能，如步行、跑步、肢体摆动以及关节运动等。利用人体运动产生的振动能量进行能量采集，并将其转化为可利用的电能，为实现可穿戴设备的自供电提供了一种绿色、可持续的解决方案，因此受到了广泛关注。 本课题以人体运动振动能量采集器为研究对象，通过查阅和分析国内外相关文献，对人体运动能量采集技术的发展现状进行系统综述。重点总结压电式、电磁式和摩擦电式等典型能量采集方法的工作原理、结构特点及应用场景，分析人体运动特征、材料选择和结构设计等因素对能量采集性能的影响。同时，探讨当前人体运动能量采集技术面临的主要挑战及未来发展方向，为新型自供电可穿戴设备的设计与开发提供参考。
本课程介绍医疗与公共卫生研究中的数据分析方法，帮助学生理解如何将现实世界中的健康问题转化为可研究的科学问题，并利用数据进行分析与解释。课程将从基础统计学概念入手，介绍常见的人口健康数据类型、研究设计方法以及数据分析的基本思路。学生将学习描述性统计、基础概率与统计推断等核心概念，并了解回归分析等常见统计模型在公共卫生研究中的应用。学生将使用真实的人口健康数据，在导师指导下学习数据获取、数据清理和基础数据分析（使用 R 或 Stata）。课程还将介绍科研论文的基本结构、研究结果的解释方法以及学术报告规范。通过完成一个小型数据分析项目，学生将体验从提出研究问题、进行数据分析到展示研究结果的完整科研过程，为未来在医学、公共卫生、生命科学或数据科学等领域的学习与研究打下基础。
本课程围绕"药物为什么能起效、为什么会失效"这一核心问题，带领学生用可验证、可复现的方式完成一次真正的计算药物发现项目。课程以真实药物靶点（如免疫相关蛋白、激酶或GPCR等）为案例，结合结构生物学、分子对接与机器学习，训练学生从数据与结构出发提出假设、设计计算实验并形成科研表达。课程从科研必备的 Linux 环境与文件管理开始，逐步引导学生学习：如何获取并理解蛋白结构（PDB/AlphaFold）、如何建立"蛋白—小分子"相互作用的直观图景，如何用分子对接完成初步虚拟筛选，再进一步引入机器学习（分类/回归）对候选分子的活性或性质进行预测与排序。学生将在实践中理解结构—活性关系（SAR）与"数据驱动 + 结构驱动"的联合策略，学会用图表和简明逻辑解释"为什么这个分子更可能有效"。课程强调"科研闭环"：不仅给出计算结果，还要求学生把结果转化为可检验的机制假设，并通过可重复的脚本与清晰的记录保证研究可复现。最终，学生将完成一个可展示的成果，获得进入生物信息学、药学、化学、AI+生命科学方向的实战起点。
当前，青少年抑郁风险的早期筛查仍主要依赖主观心理量表（如 CES-D），但此类方法容易受到受试者掩饰倾向、主观偏差及情境因素的影响，在客观性与稳定性方面存在一定局限。针对这一临床与公共卫生领域的现实痛点，本项目拟依托计算机科学、生物医学工程与心理学的交叉研究范式，探索青少年抑郁风险识别的潜在客观神经生物指标。 与传统问卷筛查不同，本项目将采用8通道便携式脑电（EEG）设备采集大脑中枢神经系统活动信号，并结合脑电信号处理与人工智能算法，构建基于前额叶 Alpha 波不对称性（Frontal Alpha Asymmetry, FAA）与 Theta/Alpha 功率比值（Theta/Alpha Ratio, TAR）的抑郁风险辅助识别模型。该项目兼具现实社会价值与交叉研究创新性，是人工智能与脑科学技术应用于精神健康领域的典型研究场景。
青少年抑郁症是当前精神健康领域的重要公共卫生问题。现有筛查方法主要依赖心理量表、临床访谈和主观报告，容易受到掩饰倾向、主观偏差、回忆误差及情境因素影响，在客观性、稳定性和早期识别能力方面存在一定局限。随着人工智能、情绪计算和数字精神病学的发展，基于面部视频的非接触式行为分析正在成为青少年心理健康评估的重要新方向。与传统问卷不同，面部行为数据能够在低压力、低污名化的情境中捕捉青少年自然情绪表达，为抑郁风险识别提供更加客观和动态的行为线索。 本项目拟依托计算机科学、心理学、精神医学、生物医学工程与人工智能交叉研究范式，探索基于正性面部表情动力学的青少年抑郁风险辅助评估模型。项目将以自愿正性面部表情模仿任务或游戏化情绪诱发任务为研究场景，基于面部视频或脱敏后的面部特征数据，提取青少年在正性表情“启动-维持-消退”过程中的动力学指标，并结合机器学习与可解释 AI 方法，构建青少年抑郁风险识别的数字行为标志物体系。本项目关注的核心问题不是简单判断一个人“笑得多不多”，而是分析其微笑从出现、维持到消退的全过程是否存在异常。项目将重点考察起笑潜伏期、启动斜率、AU6/AU12协同、笑容维持时间、非Duchenne笑容比例、消退速率和恢复时间等指标，并尝试形成“启动门控迟滞-表情协同不足-正性情绪维持障碍”的临床语义证据链。 本项目兼具社会价值、学术创新性和科研训练价值，适合希望进入医学人工智能、数字心理健康、情绪计算、临床心理学、生物医学工程和数据科学等方向的优秀学生参与。
用低成本摄像头和测量物体几何特性进行三维测量
研究金属3D打印中缺陷形成的规律，并用机器学习方法提升制造质量和稳定性。
研究柔性太阳能器件如何通过先进制造实现规模化生产，并优化其性能稳定性。
利用可持续生物质材料制备柔性薄膜，探索其在电子皮肤和可穿戴传感器中的应用。
开发柔性传感器系统，用于人体心率、压力、运动或呼吸等参数的连续监测。
研究微型传感器如何检测人体或生物样本信号，并应用于精准医疗和即时检测。
将物理规律与机器学习结合，建立可解释、可推广的工程系统预测模型。
借鉴生物结构设计轻量、高灵敏、可用于传感器的复合材料。
基于教授实验室食品检测研究，利用图像、触觉或传感数据识别食品品质异常。
本课程系统培养社会科学领域的定量研究能力，重点教授基于R语言的公共数据集分析方法，涵盖问卷处理、数据清理、回归分析及因子建模等关键技术。课程通过真实科研项目训练学生完成从研究设计到论文撰写的全流程，帮助学生培养具备数据科学素养的社科研究能力，提升在实证研究领域的学术竞争力。
本课程是一门跨学科研究课程，探讨人工智能与大数据技术如何改变社会科学研究方法。学生将学习如何利用文本数据、社交媒体数据及科学计量数据等多种数据来源，分析人类行为、社会结构与社会趋势。课程将介绍计算社会科学与数字人文的核心方法，并通过真实数据案例训练学生将AI工具应用于社会科学研究问题。在课程实践中，学生将掌握从数据获取、清理、分析到模型构建与结果解释的基本研究流程，同时讨论人工智能在社会中的伦理问题，如算法偏见与数据隐私。课程强调科研实践与跨学科思维，帮助学生为未来在社会科学、数据科学或人工智能相关领域的学习与研究打下基础。
本课程系统讲授研究综合方法与元分析（Meta-analysis）的核心理论与实践框架，结合 R 语言，带领学生掌握从文献系统检索、研究筛选、数据提取到效应量计算、统计分析与结果可视化的完整科研流程。课程强调循证研究（evidence-based research）理念，适用于教育学、心理学、医学及社会科学等多个领域。通过项目制训练，学生将使用 RevMan 与 R 语言（metafor 等包）开展真实研究，完成一项具有投稿潜力的系统综述或元分析项目，同时接受研究设计、方法选择与学术写作的全面训练。