专业介绍
设在数学类下，用数学的语言描述和设计智能算法。要求学生具备扎实的分析、代数与概率基础，掌握数值方法、最优化理论与机器学习的基本模型，能推导算法的收敛性与复杂度，能用高性能计算手段实现并调优。与计算机科学与技术的区别在于：本专业更关注算法为什么有效、边界在哪里；与信息与计算科学的区别在于更聚焦智能计算这一方向，而非泛计算数学。培养上不追求工程量的堆叠，而追求能把一个模型讲清楚、能判断它什么时候会失效，这种能力在算法岗的长期竞争中更有后劲。
核心课程
各校培养方案不同，此处为专业通用口径学科基础课
5 门数学分析高等代数概率论与数理统计常微分方程数值分析
专业核心课
7 门最优化方法矩阵计算机器学习深度学习理论智能优化算法高性能计算与并行编程随机过程
实践环节
4 门数学建模竞赛训练算法实现与调优课程设计科研训练或企业实习毕业设计
难点是优化理论与证明类内容，需要持续做题保持手感，也最容易在期末拉开差距
学习建议
熟练掌握 Python 与至少一种科学计算库
把课程里的算法自己实现一遍，而不是调用现成的包，理解梯度消失、过拟合这些概念在代码里长什么样
就业与深造
主要去向：算法工程师（机器学习、运筹优化、量化研究）、科学计算与仿真岗、数据科学家，以及高校与研究院所的科研辅助岗。数学背景在需要推导与建模的岗位上优势明显，尤其是问题没有现成方案时。职业路径从算法工程师或研究员起步，向技术专家、算法负责人发展；量化方向收入与压力都偏高。升学比例较高，可对接计算数学、应用数学、人工智能、统计学等方向。可参与全国大学生数学建模竞赛、ACM 等赛事积累作品。薪资与就业率因岗位差异很大，本页不引用未经核实的具体数字。本专业为 2026 年新增，2026 年贵州本科批招生计划中尚未见以此名称单独列出的院校记录，实际招生院校、选科要求与体检限制以院校当年公布为准。