介绍深度学习基本概念、发展历程，以及汽车电子系统的架构与演进趋势。
感知机、多层感知机、激活函数（ReLU、Sigmoid、Tanh）的原理与选择。
链式法则、梯度下降变体（SGD、Adam）、学习率调度策略。
卷积层、池化层、全连接层，以及经典网络结构（LeNet、AlexNet）。
序列建模原理、LSTM门控机制，以及其在时间序列预测中的应用。
自注意力、多头注意力，以及Vision Transformer在车载感知中的潜力。
两阶段检测器（Faster R-CNN）的原理与在自动驾驶中的应用。
单阶段检测器（YOLO、SSD）的原理与实时性优化。
FCN、U-Net、Mask R-CNN在道路场景理解中的应用。
摄像头、激光雷达、毫米波雷达的数据融合策略（前融合、后融合、特征融合）。
基于LSTM/Transformer的车辆轨迹预测与行人意图预测。
剪枝、量化、知识蒸馏，让深度学习模型在嵌入式ECU上跑起来。
TensorRT、ONNX Runtime、TFLite在车载平台（NVIDIA Orin、高通SA8295）上的部署。
如何在AUTOSAR Adaptive平台中集成深度学习推理模块。
数据采集、标注、回灌，以及基于CARLA/GTAV的仿真验证。
对抗样本生成、防御机制，以及如何提升模型在恶劣天气下的稳定性。
如何在保护用户数据隐私的前提下，利用多车数据联合训练模型。
DQN、PPO，以及基于RL的路径规划与行为决策。
从感知到控制的端到端模型（NVIDIA PilotNet）原理与挑战。
语音识别（ASR）、自然语言理解（NLU）与唤醒词检测。
基于CNN/3D-CNN的疲劳检测、分心检测与注意力估计。
基于LSTM的电池SOC/SOH预测，以及异常检测。
利用自编码器、GAN对CAN总线/CAN FD进行入侵检测。
利用强化学习优化V2V/V2I通信资源分配与延迟。
如何对深度学习模型进行符合ISO 26262的验证。
ISO 26262与ISO 21448（SOTIF）对AI系统的要求，以及安全冗余设计。
Tesla、Waymo、Mobileye的深度学习技术路线对比与分析。
车端大模型、世界模型、具身智能，以及如何成为汽车AI工程师。