覆盖人工智能、生物医学、工程、金融与社会科学等多个方向，由顶尖高校一线研究人员全程带领，每门课程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。
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。
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。
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。
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。
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。
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。