课程先决条件:基础电气科学。课程目标:了解数字系统的工作原理。应更深入地研究数字逻辑/计算机的各种硬件组件。课程成果 (CO): CO1:应用布尔代数和卡诺图简化数字逻辑电路。CO2:设计和实现基本组合电路,如加法器、减法器、比较器、解码器、编码器、多路复用器和解复用器。CO3:分析各种触发器(SR、D、JK 和 T)的行为并设计顺序电路,如计数器、移位寄存器和序列检测器。CO4:使用状态图和表表示的状态机对数字系统进行建模,并执行状态最小化以实现高效设计。CO5:了解逻辑系列(例如 ECL、CMOS)的原理并使用硬件描述语言(Verilog/VHDL)进行数字系统建模。
MDC 的学术途径:应用人工智能副学士学位是获得应用人工智能学士学位(计划代码 S9520)的途径。课程可获得人工智能意识大学学分证书 (CCC)(计划代码:66040)和人工智能从业者 CCC(计划代码:66041)。要了解有关课程的更多信息,请参阅大学目录。某些课程将为您准备热门行业认证,考试费用可能有资格报销。您还可以通过先前学习的学分或获得的行业认证的学分来加速您的学习。了解更多。
PSYCH 202:药物与行为(3个学分)PSYCH 270:大脑迷思:事实还是虚构?(3 个学分) PSYCH 370:行为神经科学简介 (3 个学分) PSYCH 465:认知神经科学 (3 个学分) PSYCH 470:神经科学原理 (3 个学分) PSYCH 570:精神药理学 (3 个学分) PSYCH 595:行为神经科学实验室技能 (3 个学分) PSYCH 596:认知神经科学实验室技能 (3 个学分) PSYCH 598:神经科学研究(最多 3 个学分将计入辅修) PSYCH 630:人类神经心理学 (3 个学分) PSYCH 670:学习和记忆的神经机制 (3 个学分) PSYCH 715:衰老心理学 (3 个学分)
Chem 152 (4) - 化学思维 II 先决条件:CHEM 151 或 141/143 或 161/163 以及以下之一:PPL 60+ 或 SAT I MSS 610+ 或 ACT MATH 26+ 或 MATH 108、112、113、119A、120R、122B、125、129 或 223 中的一门课程。测试成绩有效期为 2 年。或 Chem 142 (3)– 普通化学讲座 II:定量方法,前提条件:CHEM 151 或 141 或 161 以及以下课程之一:PPL 60+ 或 SAT I MSS 610+ 或 ACT MATH 26+ 或 MATH 108、112、113、119A、120R、122B、125、129 或 223 中的 1 门课程。考试成绩有效期为 2 年。Chem 144 (1) - 普通化学实验室 II:定量前提条件:CHEM 151 或 141/143 或 161/163。同时注册或完成 CHEM 142 和以下课程之一:PPL 60+ 或 SAT I MSS 610+ 或 ACT MATH 26+ 或 MATH 108、112、113、119A、120R、122B、125、129 或 223 中的一门课程。考试成绩 2 年后失效。或 Chem 162 (3)– 荣誉化学思维 II 和先决条件:CHEM 161 或部门同意。学生必须在荣誉学院活跃。Chem 164 (1)– 荣誉化学基本技术先决条件:CHEM 161 和 CHEM 163 或部门同意。同时注册或完成 CHEM 162。荣誉活跃。或 MSE 110 (4):固态化学简介先决条件:Chem 151
商业辅修 - 适用于非商业本科专业 被非商业本科学位课程录取的学生可以选择攻读商业辅修课程。非商业学生只要符合商学院录取指南,就有资格获得商业辅修课程。学生必须拥有 2.7 的累积 CU GPA,并成功通过 ENGL 1310 和一门大学水平的数学课程(MATH 1030/1040 是满足此要求的最低水平数学课程)。每个商业辅修课程需要 21 个学分。每个辅修课程需要三门商业辅修核心课程(ECON 1010 微观经济学简介、BUAD 1000 商业简介和 ACCT 2010 财务会计简介)和四门辅修课程(这些课程取决于申报的辅修课程)。要获得辅修课程,学生必须在 UCCS 完成至少 9 个学分,包括辅修课程。例如,高年级会计课程必须在 UCCS 完成。此外,辅修课程必须以 C- 或更高的成绩完成,才能计入辅修课程,辅修课程要求累计辅修 GPA 为 2.5。所有课程尝试都计入辅修 GPA,但学生可能有资格获得成绩宽恕。商学院将严格执行所有课程先决条件,学生有责任满足所有课程先决条件。
单元 1 机器学习简介 – 数据和特征 – 机器学习流程:数据预处理:标准化、规范化、缺失数据问题、数据不平衡问题 – 数据可视化 - 设置训练、开发和测试集 – 交叉验证 – 过度拟合问题、偏差与方差 - 评估措施 – 不同类型的机器学习:监督学习、无监督学习。单元 2 监督学习 - 回归:线性回归、逻辑回归 – 分类:K-最近邻、朴素贝叶斯、决策树、随机森林、支持向量机、感知器。单元 3 无监督学习 – 聚类:K-均值、分层、谱、子空间聚类、降维技术、主成分分析、线性判别分析。教科书:Andrew Ng,机器学习 yearning,网址:http://www.mlyearning。org/(96) 139 (2017)。Kevin P. Murphey。机器学习,概率视角。麻省理工学院出版社,马萨诸塞州剑桥,2012 年。Christopher M Bishop。模式识别和机器学习。Springer 2010 参考书:Richard O. Duda、Peter E. Hart、David G. Stork。模式分类。Wiley,第二版;2007 年 Sutton,Richard S. 和 Andrew G. Barto。强化学习:简介。麻省理工学院出版社,2018 年。评估模式