計(jì)算機(jī)科學(xué)與人工智能專(zhuān)題：測(cè)謊與人臉識(shí)別的技術(shù)基礎(chǔ)：機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別等分類(lèi)任務(wù)中的應(yīng)用

專(zhuān)業(yè)：人工智能

項(xiàng)目類(lèi)型：國(guó)外小組科研

開(kāi)始時(shí)間：2024年11月09日

是否可加論文：是

項(xiàng)目周期：7周在線小組科研學(xué)習(xí)+5周不限時(shí)論文指導(dǎo)學(xué)習(xí)

語(yǔ)言：英文

有無(wú)剩余名額：名額充足

建議學(xué)生年級(jí)：大學(xué)生 高中生

是否必需面試：否

適合專(zhuān)業(yè)：數(shù)據(jù)科學(xué)數(shù)據(jù)分析深度學(xué)習(xí)人工智能數(shù)據(jù)工程計(jì)算機(jī)視覺(jué)數(shù)據(jù)結(jié)構(gòu)與算法編程語(yǔ)言自然語(yǔ)言處理人機(jī)交互

地點(diǎn)：無(wú)

建議選修：數(shù)據(jù)結(jié)構(gòu)與算法設(shè)計(jì)

建議具備的基礎(chǔ)：人工智能、計(jì)算機(jī)科學(xué)、數(shù)據(jù)科學(xué)、數(shù)據(jù)處理、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等專(zhuān)業(yè)的學(xué)生 學(xué)生需要具備線性代數(shù)、概率論與數(shù)理統(tǒng)計(jì)基礎(chǔ)，無(wú)編程基礎(chǔ)的學(xué)生可用Edge Impulse進(jìn)行神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)模擬

產(chǎn)出：7周在線小組科研學(xué)習(xí)+5周不限時(shí)論文指導(dǎo)學(xué)習(xí) 共125課時(shí) 項(xiàng)目報(bào)告 優(yōu)秀學(xué)員獲主導(dǎo)師Reference Letter EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等級(jí)別索引國(guó)際會(huì)議全文投遞與發(fā)表指導(dǎo)（可用于申請(qǐng)） 結(jié)業(yè)證書(shū) 成績(jī)單

項(xiàng)目背景：卷積神經(jīng)網(wǎng)絡(luò)CNN是一種多層的監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，隱含層的卷積層和池采樣層是實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)特征提取功能的核心模塊。該網(wǎng)絡(luò)模型通過(guò)采用梯度下降法最小化損失函數(shù)對(duì)網(wǎng)絡(luò)中的權(quán)重參數(shù)逐層反向調(diào)節(jié)，通過(guò)頻繁的迭代訓(xùn)練提高網(wǎng)絡(luò)的精度。卷積神經(jīng)網(wǎng)絡(luò)的低隱層是由卷積層和最大池采樣層交替組成，高層是全連接層對(duì)應(yīng)傳統(tǒng)多層感知器的隱含層和邏輯回歸分類(lèi)器。其本質(zhì)是一個(gè)多層感知機(jī)，成功的原因在于其所采用的局部連接和權(quán)值共享的方式：一方面減少了權(quán)值的數(shù)量使得網(wǎng)絡(luò)易于優(yōu)化，另一方面降低了模型的復(fù)雜度，也就是減小了過(guò)擬合的風(fēng)險(xiǎn)。上述優(yōu)點(diǎn)使得該技術(shù)在計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理、推薦系統(tǒng)等人工智能領(lǐng)域受廣泛使用，項(xiàng)目也將圍繞著機(jī)器學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)這一前沿技術(shù)展開(kāi)。

項(xiàng)目介紹：項(xiàng)目中，導(dǎo)師將向?qū)W生介紹機(jī)器學(xué)習(xí)和現(xiàn)代人工神經(jīng)網(wǎng)絡(luò)的關(guān)鍵理論，然后探索機(jī)器學(xué)習(xí)在涉及圖像、聲音和運(yùn)動(dòng)數(shù)據(jù)分類(lèi)的實(shí)際問(wèn)題上的實(shí)際應(yīng)用。該項(xiàng)目將使用Edge Impulse在線平臺(tái)，讓學(xué)生在無(wú)需編寫(xiě)完整復(fù)雜代碼的情況下，將復(fù)雜的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法應(yīng)用到所收集的數(shù)據(jù)集上。學(xué)生將自選真實(shí)世界的分類(lèi)任務(wù)，使用上述算法及平臺(tái)開(kāi)發(fā)解決方案，在項(xiàng)目結(jié)束時(shí)提交項(xiàng)目報(bào)告，進(jìn)行成果展示。
This course will introduce students to machine learning and modern neural networks. It will introduce the key theory of this approach and then explore the practical use of machine learning on real problems involving the classification of images, sounds and motion data. The course will use the online Edge Impulse platform to allow students to apply sophisticated neural network learning approaches, without having to write code, to datasets that they have collected (from the internet or their smartphones). During the project, students will choose their own real-world classification task, develop a solution using the skills that they learned, write up their results, and present their work back to the group.

項(xiàng)目大綱：機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)介紹 Introduction to machine learning and neural networks 反向傳播和現(xiàn)代神經(jīng)網(wǎng)絡(luò) Backpropagation and modern neural networks 實(shí)現(xiàn)圖像分類(lèi) Implementing image classification in Edge Impulse 實(shí)現(xiàn)聲學(xué)和運(yùn)動(dòng)分類(lèi) Implementing acoustic and motion classification in Edge Impulse 學(xué)術(shù)研討1：教授與各組學(xué)生探討并評(píng)估個(gè)性化研究課題可行性，幫助學(xué)生明晰后續(xù)科研思路，完成初步數(shù)據(jù)收集及實(shí)驗(yàn) Final Project Preparation Session I 學(xué)術(shù)研討2：學(xué)生將在本周課前完成程序設(shè)計(jì)原型（prototype）及偽代碼（Pseudocode），教授將根據(jù)各組進(jìn)度進(jìn)行個(gè)性化指導(dǎo)，確保學(xué)生優(yōu)質(zhì)的終期課題產(chǎn)出 Final Project Preparation Session II 成果展示 Final Presentation 論文指導(dǎo) Project Deliverables Tutoring