新加坡南洋理工大学计算机科学与工程哲学博士（Ph.D）学位留学项目指南

未来从这里开始。作为一个由强大的R&D基础设施和网络全球联盟驱动的研究密集型机构，新加坡南洋理工大学为学生提供了在广泛的技术领域开创下一代研究的前景。新加坡南洋理工大学计算和数据科学学院提供全日制计算机科学与工程哲学博士课程，可获得以下学位：
• 工程硕士（MEng）
• 哲学博士（PhD）
• SIMTech-南洋理工大学复杂系统联合实验室博士项目*
• 教育局-工业研究生课程（IPP）
• 南洋理工大学-昆仑IPP

研究领域
二十多年来，CCDS为许多杰出的工程师铺平了道路，为每个人配备了相关的工具来重新定义我们的生活方式。
在CCDS，我们致力于激发和激发新思想。我们也明白与时俱进的重要性。更重要的是，我们相信培养和激励我们的研究生在研究方面表现出色。
按研究分列的研究生学习领域包括：
• 人工智能
• 数据科学
• 网络安全
• 硬件和计算机架构
• 定制计算
• 信息物理系统
• 软件工程
• 数据库和信息系统
• 生物信息学
• 多媒体
• 社交媒体
• 视觉与交互计算
• 建模与仿真
• 并行和分布式计算
• 云计算
• 计算机网络

入学要求
入学资格
申请人必须拥有最低荣誉（杰出）学士学位及其同等学历，并有能力在候选人提议的高级研究领域进行研究。
要求的测试分数
非新加坡自治大学毕业生的申请人需要有效的GRE/GMAT成绩。考试日期必须在申请之日起5年内或更短时间内。特殊情况下，可能会考虑GRE豁免请求。
来自印度的申请人可以使用工程研究生能力倾向测试[GATE]分数至少90%来代替GRE。考试日期必须在申请之日起3年内或更短时间内。
对于母语不是英语的申请人，需要良好的托福成绩。考试日期必须在申请之日起2年或更短时间内。雅思考试可以代替托福考试。如果申请人能够提交书面证明，证明在本科学习期间使用英语作为教学语言，则可以免除托福/雅思要求。

课程结构和持续时间
研究生研究项目的学生在批准的主题中进行独立但受监督的研究。
在修读期间，学生须在多项与研究生水平学科及沟通技巧有关的课程上表现良好。他们还必须在规定期限内接受资格考试/确认练习。临近完成学业，考生必须提交论文进行考试。此外，博士生还必须就论文主题进行口试。

博士研究课程
**注：并非所有课程都将在一个学期内提供。提供的课程取决于教师和资源的可用性。

CE7405：数据挖掘
本课程介绍数据挖掘的最新技术，涵盖数据挖掘中使用的许多不同领域的思想和技术。它还介绍了解决数据挖掘问题的常用软件工具。
课程概要
数据准备：转换、缺失数据、时间序列数据、文本。频繁模式：频繁项集、生成器、封闭模式和最大模式。比较数据挖掘：新兴模式、优势比模式、相对风险模式。图挖掘：从大图中挖掘子图，从图数据库中挖掘频繁子图。数据缩减和特征选择。预测方法：统计、神经、树、规则。专题：金融数据挖掘、文本挖掘、生物医学数据挖掘。案例研究。
讲座总时数：39小时

CE7411：生物信息学
本课程涵盖基本的生物信息学概念、数据库、工具和应用。简介：细胞生物学的中心教条，用于收集和存储基因组序列数据的生物技术；存储这些数据的数据库和从中提取信息的策略；成对序列比对，用于评估相似性以推断同源性；评分矩阵的基础，以理解执行比对时分配的分数；流行的启发式搜索工具——基本局部比对搜索工具（BLAST）和高级数据库搜索；多序列比对和系统发育树，以完成基因组序列的覆盖。
在功能基因组学的覆盖范围内介绍基因表达。微阵列数据分析的过程；微阵列数据分析的特征选择和分类。蛋白质家族和蛋白质组学；蛋白质结构和结构基因组学；和分子进化和系统发育。
讲座总时数：39小时

CE7412：计算与系统生物学
本课程涵盖了用于解决计算和系统生物学问题的计算技术的高级概念。学生将被介绍到计算生物学的挑战，这些挑战可以通过计算方法来处理。课程介绍包括分子生物学的基础知识：基因、RNA、蛋白质、分子生物学的中心教条和数学基础，这将为来自工程和生物学背景的学生为本课程做好准备。

本课程涵盖的计算技术包括最大似然技术、贝叶斯技术、马尔可夫模型、隐马尔可夫模型、聚类、神经网络、支持向量机、假设检验和微分方程。本课程涵盖了计算和系统生物学的几个应用：生物序列模型，如模具模型和马尔可夫模型、基因结构预测、蛋白质二级结构预测、基因表达分析、生物网络、识别网络基序、转录网络和信号转导网络。
讲座总时数：39小时

CE7426-凸优化高级主题
凸优化是一个已经渗透到计算机科学与工程各个研究领域的主题。本课程旨在对我们工程学科中最有用的主题进行一般处理。我们将涵盖与凸优化相关的基本理论（例如，最优性条件和拉格朗日乘数理论），但我们也将关注将工程问题转化为凸优化框架的问题表述技术，以及解决凸优化问题的各种方法。
课程概要
• 凸分析和凸优化基础
• 线性规划（LP）和网络流问题
• 一般凸优化理论：拉格朗日乘子理论、KKT等最优性条件
• 二次规划（QP）和机器学习
• 不确定性下的优化：鲁棒优化和随机规划简介
• 使用用于LP/QP的商业求解器系统来处理工程问题。
讲座总时数：39小时

CE7427：认知神经科学和具身智能的高级主题
本课程考虑智能的神经学、心理学和结构模型。它使用这些模型作为讨论和开发新模型的基础，这些模型可能表现出创造具身智能的潜力。本课程的重点是发展自组织的概念，学习具有局部相互连接的处理组件（神经元和微孔）的神经系统
课程概要
• 具身智能的基础
• 自主智能系统
• 神经元及其工作原理
• 认知神经科学
• 结构和学习模拟
• Hebbian学习
• 自组织
• 通用学习
• 大脑信息处理
• 感知和注意力
• 记忆
• 语言
• 认知
讲座总时数：39小时

CE7428：特别高级主题-计算机和网络安全
本课程提供密码学和网络安全的基本概念、理论和技术。还将介绍计算机通信和应用中的各种安全问题。
课程概要
有限域；数论；经典密码学；对称密码学；非对称密码学；现代密码学；密钥交换方案；散列函数；数字签名和认证；漏洞和对策；应用安全（系统安全、PGP、SSL、IPsec、Kerberos、防火墙等）。
讲座总时数：39小时

CE7429：特别高级主题-计算智能：方法与应用
计算智能（CI）基于来自统计、模式识别、神经网络、机器学习、模糊逻辑、进化计算、科学可视化和其他来源的灵感。本课程涵盖基础理论、实现许多CI算法的两个软件包（WEKA和GhostMiner）的使用，以及CI方法在技术、医学和生物信息学领域数据中的实际应用示例。
课程概要
CI概述、自适应系统的类型、学习和应用；可视化和探索性数据分析：少变量、主成分分析（PCA）、多维缩放（MDS）、自组织映射（SOM）、并行坐标和其他可视化算法；理论：学习的统计方法概述、偏差方差分解、EM算法算法、模型选择、结果评估、ROC曲线；WEKA和GhostMiner软件包简介，介绍这些软件包中可用的算法；统计算法：判别分析-线性（LDA）、Fisher（FDA）、正则化（RDA）、概率数据建模、核方法；基于相似性的方法、原型的生成、相似性函数、可分离性标准、模式识别中的结构方法；改进CI模型：增强、堆叠、集成学习、元学习、用于选择特征的信息论。
讲座总时数：39小时

CE7452：信息物理系统的RTOS
本课程旨在发展现代嵌入式实时计算系统中的特定知识，重点将是对将应用程序非功能需求转化为中间件和硬件功能的技术的概念理解，以及使用最先进的研究基础设施实际实施这些技术。学生还将获得批判性地审查与该领域相关的科学文献的经验。课程项目将鼓励学生解决基于团队的研究问题，并为他们提供书面和口头科学交流的经验。
总体而言，本课程将为打算在实时系统中进行研发的学生提供良好的接触。成功完成本课程后，学生应：
1）对将应用程序非功能性需求转化为中间件和硬件功能的技术有概念上的理解。
2）获得实施其中一些技术的实践经验。
3）获得批判性评论科学文献以及书面和口头科学交流的经验
4）学习如何在基于团队的环境中解决具有挑战性的研究问题。
讲座总时数：39小时

CE7453：数值算法
本课程是关于一个人可能想了解的关键数值算法。GPS和TrueType字体是如何工作的？机器人是如何移动的？谷歌成功的秘诀是什么？为什么JPEG压缩如此高效？这些问题的答案是巧妙的数值算法，分别基于最小二乘、贝塞尔曲线、求积、特征值和离散余弦变换。一旦学生完成了一些初步的基础知识，包括牛顿求根方法、求解线性方程组的直接和迭代方法以及多项式插值，他们将能够理解和讨论它们。本课程更新了学生在微积分和线性代数方面的基本数学技能，并展示了如何利用它们来解决几个现实世界的问题，如前面提到的那些。它还提供了这些解决方案的历史参考，可以追溯到牛顿、莱布尼茨、欧拉、高斯和其他人。
本课程旨在涵盖许多数值算法，这些算法用于解决接近日常经验的及时问题。学生将学习如何利用基础数学在技术设计和功能中获得巨大回报。他们不仅将了解这些方法的理论背景，还将学习如何实施它们并体验实践方面。
讲座总学时：39小时

CE7454：数据科学的深度学习
深度学习最近引入了从人类设计特征到端到端系统的范式转变，并彻底改变了包括计算机视觉、语音识别和自然语言处理在内的几个领域。谷歌、Facebook、微软、苹果、亚马逊等顶级IT公司都在积极地用深度学习技术重新设计他们的产品，未来几十年的影响将超越自动驾驶汽车、围棋等战略游戏和核磁共振癌症检测。

本课程的主要目标是介绍深度学习架构的数学基础、最先进的架构和专业库。学生将学习如何设计自己的人工神经网络来解决他们的数据分析任务。他们还将学习如何使用TensorFlow和PyTorch高效地编码这些新算法。
讲座总时数：39小时

CE7455自然语言处理的深度学习：从理论到实践
在本课程中，学生将学习最先进的NLP深度学习方法。通过讲座和实践作业，学生将学习使他们的模型适用于实际问题的必要技巧。他们将学习使用TensorFlow等可用深度学习库来实现，并可能发明自己的深度学习模型。
自然语言处理（NLP）是人工智能（AI）中最重要的领域之一。它在信息时代变得非常关键，因为大多数信息都是非结构化文本的形式。随着人们主要以语言进行交流，NLP技术无处不在：语言翻译、网络搜索、客户支持、电子邮件、论坛、广告、放射学报告等等。
NLP应用程序背后有许多核心NLP任务和机器学习模型。深度学习最近带来了从传统任务特定特征工程到端到端系统的范式转变，并在许多不同的NLP任务和下游应用程序中获得了高性能。谷歌、百度、阿里巴巴、苹果、亚马逊、Facebook、腾讯和微软等科技公司现在正在积极研究深度学习方法来改进他们的产品。例如，谷歌用基于深度学习的系统取代了他们传统的统计机器翻译和语音识别系统。
该课程全面介绍了应用于NLP的深度学习的前沿研究。在模型方面，我们将涵盖单词表示、NLP的基于窗口的神经网络、NLP的递归神经网络、long-short-term-memory模型、解析的递归神经网络、卷积神经网络、编码器-解码器模型、注意力机制，以及更高级的主题，如NLP的深度强化学习和变分方法。

CE7490：特别高级主题-分布式系统
本课程向研究生介绍分布式计算模型、算法和软件系统方面的高级课题，涉及设计问题、实现技术以及支持分布式系统实现的软件工具和环境，旨在为研究生开展分布式系统研究做好准备。
课程概要
将涵盖以下列表中的一系列主题：
分布式计算模型和算法
互联网和网络技术及应用
分布式协作系统
分布式仿真和虚拟环境
网格计算和P2P系统
其他分布式系统
将进行真实分布式系统的案例研究，并回顾该主题领域的最新研究文献。
讲座总时数：39小时

CE7491：特别高级主题-数字图像处理
本课程提供图像处理的基本概念、理论和技术。涵盖理论和实践两个方面，并对选定的问题进行深入分析。本课程附有基于Matlab的实验室组件。
课程概要
图像形成；增强；边缘检测；插值；颜色处理；频域处理；恢复与重建；小波处理；图像和视频压缩；形态运算；图像分割与表示；物体识别
讲座总时数：39小时

CE7404：虚拟现实
本课程介绍目前最先进的虚拟现实、虚拟现实技术和应用。该课程不需要使用只有特殊实验室才有的复杂软件工具和硬件设备。相反，它教授如何使用普通个人电脑和免费软件制作原始数学内容。学生将学习如何超越数学公式看待几何，以及如何通过数字采样数学函数来表示几何形态、运动和相互作用。
• Lectures cover topics of
o 虚拟现实和人为因素介绍；
o VR系统；
o VR环境和设备；
o 网络上的虚拟现实；
o 编程虚拟现实；
o 虚拟对象；
o 视觉外观；
o 转换；
o 动议；
o 碰撞检测；
o 查看虚拟环境；
o VR中的物理模拟。

CE6121：人机交互理论与实践
本课程涵盖以用户为中心的研究、交互设计以及最近的用户交互方法和技术，如多点触控、手势识别、脑机接口、Siri&Tellme等，仅举几例。它向学生介绍有关人机交互的工具、技术和信息来源，并提供系统的设计方法。此外，两年前推出了新版教科书，讲座材料也相应更新。学生需要设计和开发用于查看和操作3D模型的新颖界面。

CE6127：游戏设计中的人工智能
本课程侧重于游戏设计中与人工智能相关的概念和技术。它将突出与计算机游戏、角色建模、物理、动画和导航的创建相关的设计、数学和编程问题。所有这些都在课程作业中结合在一起，学生分组设计和开发展示人工智能算法的游戏。

CE6190：专题-图像分割及其应用的最新进展
本课程介绍了最近对不同类型的视觉数据（包括图像、视频和3D点云）的分割技术。分割是一种密集预测技术，通常旨在对视觉数据的每个空间位置进行预测。它是许多计算机视觉任务的基本工具，如场景理解、对象识别、机器人视觉、航空图像分析和医学图像分析。分割技术已广泛部署在各种现代人工智能应用中，包括自动驾驶、基于人工智能的医疗诊断、智能购物等。本课程涵盖的主题包括基本概念、应用、传统分割方法和最近基于深度学习的方法。
课程概要
1.分割任务介绍
2.超像素方法
3.交互式图像分割
4.语义图像分割
5.深度学习基础
6.语义分割的密集预测网络
7.对象检测和实例分割
9.弱监督分割
10.少镜头分割
11.视频上的分割
12.3D点云数据上的分割

关于新加坡南洋理工大学
新加坡南洋理工大学（南大）是一所科研密集型大学，有3万5千多名本科生和研究生，分布于商学院、计算机与数据科学学院、工学院、文学院、医学院、理学院以及研究生院。
南大集聚世界知名的自治学院，包括国立教育学院、拉惹勒南国际研究院、新加坡环境生物工程中心，以及多个领先研究机构，如新加坡地球观测研究所、南洋环境与水源研究院，和能源研究所。
在“智慧校园”的愿景下，大学借助数码科技和科技解决方案的力量，为全校师生提供更加优质的学习和生活体验、促进发掘新知识和确保资源可持续发展。
南大获评为世界顶尖大学之一，主校区也常被列为全球最美丽的校园之一。南大以可持续发展闻名，校园内所有符合条件的建筑物均获得100%绿色建筑标志白金认证。除了主校区，南大也在新加坡的医疗保健中心诺维娜设有校区。