背景提升之CMU的人工智能探究項目

繁重的科學和工程計算本來是要人腦來承擔的，計算機不但能完成這種計算，而且能夠比人腦做得更快、更準確，因此當代人已不再把這種計算看作是“需要人類智能才能完成的復雜任務”，可見復雜工作的定義是隨著時代的發展和技術的進步而變化的，人工智能這門科學的具體目標也自然隨著時代的變化而發展。它一方面不斷獲得新的進展，另一方面又轉向更有意義、更加困難的目標。人工智能變得越來越重要，人們對于人工智能的研究也越來越廣泛和深入。今天小編想要給大家推薦幾個背景提升的好項目—CMU的人工智能探究項目。

CMU探究項目：人工智能算法自動識別分類寵物貓、狗的品種

課題簡介

計算機視覺

Computer Vision

是一門研究如何使機器“看懂”世界的科學，是從圖像和 視頻中提出數值和符號信息，建立算法使得計算機能夠理解圖片內容的過程。具體的計算 機視覺任務可以包括但不限于：圖像分類，圖像增強，圖像分割。其應用相當廣泛：人臉 識別，車輛檢測，目標跟蹤等。

圖像分類是根據圖像的語義信息將不同類別圖像區分開來，是計算機視覺中重要的基本問題，也是圖像檢測、圖像分割、物體跟蹤、行為分析等其他高層視覺任務的基礎。 一般來說，圖像分類通過手工特征或特征學習方法對整個圖像進行全部描述，然后使用分類器判別物體類別，因此如何提取圖像的特征至關重要。

本課題旨在運用圖像處理機器學習技術對動物圖像分類。課題分成兩大部分，第一部分從數字圖像處理入手，學習人工生成集中經典圖像特征，如直方圖，關鍵點描述子等， 后半部分嘗試用神經網絡做特征提取。第二部分是機器學習分類器模型。課題將介紹邏輯回歸，KNN，Kmeans，SVM，在后半部分會涉及簡單的神經網絡分類器。

科研方法

AI+X數據驅動型科研

AI＋X數據驅動型科研是指使用人工智能（AI）算法，收集、處理、分析具體學科（X）的海量數據，并基于此進行預測，從而獲得科學發現的研究方法。與傳統的、基于實驗或邏輯推理的研究方式相比，AI＋X數據驅動型科研可以借助AI算法強大的運算能力，高效地進行大數據分析，具有投入產出比高、適用范圍廣的優點。

AI＋X數據驅動型科研已被廣泛地應用于各個領域，利用AI算法研究基因數據，從而進行早期的癌癥篩查便是其中一例。基因組與癌癥病患的數據千千萬萬，使用傳統的科研方式對其進行分析，工程量大、過程繁瑣，在客觀上難以實現。但借助AI算法這一便捷的工具，生命科學家便能夠以海量的患者的遺傳信息為基礎，建立數據庫，與過往的研究成果進行對照，快速、準確地在兩者中發現規律、建立聯系，從而使癌癥診斷的“標準化”成為可能。

整個科研教學流程中，每一位學員都將有學術督導協助保障研究階段性作業和論文的進度，確保取得研究成果。

授課導師

卡內基梅隆大學碩士；

曾在多家知名企業實習，如Philips, PI Electronics；

參與多項學術研究及學術大賽，如強化學習在無人機飛行中的運用、運用機器學習進行圖像處理及AI Challenge Competitions；

研究方向：計算機視覺、機器學習、數據科學。

課題要求

本課題適合： 9-12 年級學生，有較強的邏輯思維和抽象思維能力

英文：

具備基本的學術英語閱讀能力；

接觸過英文寫作，能初步撰寫英文文章；

數學：

概率統計基礎知識；

矩陣線性變換；

微積分基礎 函數求導求極值；

計算機：

Linux 或者 macOS 編程環境的配置；

CMU探究項目：利用卷積神經網絡進行圖像分類

課題簡介

圖像分類是根據圖像的語義信息將不同類別圖像區分開來，是計算機視覺中重要的基本問題，也是圖像檢測、圖像分割、物體跟蹤、行為分析等其他高層視覺任務的基礎。圖像分類在很多領域有廣泛應用，包括安防領域的人臉識別和智能視頻分析等，交通領域的交通場景識別，互聯網領域基于內容的圖像檢索和相冊自動歸類，醫學領域的圖像識別等。

卷積神經網絡是神經網絡方法中專門用于計算機視覺的一類神經網絡。它是目前解決許多計算機視覺任務的最優方法，其中最典型的是圖像分類問題。圖像分類問題的簡單描述如下：給定一張圖片和備選的幾個類別，計算機能夠自動判斷該圖片屬于備選類別中的哪一類。這個任務最直接簡單而有效的應用場景之一，就是手寫字識別：給定一張手寫圖片，計算機能夠自動識別該圖片是什么字符，從而達到手寫輸入的效果。

MNIST和CIFAR10數據集是兩個非常經典的圖像分類數據集。前者包含0~9共十個數字手寫體的圖片。后者包含10種物體（比如飛機、汽車、鳥類）的圖片。卷積神經網絡能在這兩個數據集上達到非常好的分類效果。

本課題旨在通過在這些數據集上完成基本的分類任務，讓學生學習到卷積神經網絡的原理，包括反向傳播，隨機梯度下降等，且讓學生基本掌握深度學習，并能夠認識到深度學習實戰中的各種困難，比如數據過擬合。

科研方法

AI＋X數據驅動型科研

使用人工智能（AI）算法，收集、處理、分析具體學科（X）的海量數據，并基于此進行預測，從而獲得科學發現的研究方法。與傳統的、基于實驗或邏輯推理的研究方式相比，AI＋X數據驅動型科研可以借助AI算法強大的運算能力，高效地進行大數據分析，具有投入產出比高、適用范圍廣的優點。

AI＋X數據驅動型科研已被廣泛地應用于各個領域，利用AI算法研究基因數據，從而進行早期的癌癥篩查便是其中一例。基因組與癌癥病患的數據千千萬萬，使用傳統的科研方式對其進行分析，工程量大、過程繁瑣，在客觀上難以實現。

但借助AI算法這一便捷的工具，生命科學家便能夠以海量的患者的遺傳信息為基礎，建立數據庫，與過往的研究成果進行對照，快速、準確地在兩者中發現規律、建立聯系，從而使癌癥診斷的“標準化”成為可能。

授課導師

卡內基梅隆大學碩士；

擔任多家國內外公司的軟件工程師，如Airdoc, Deepglint；

研究方向：機器學習及計算機視覺

課題要求

本課題適合： 9-12 年級學生，有較強的邏輯思維和抽象思維能力：

英文：

具備基本的學術英語閱讀能力；

接觸過英文寫作，有論文寫作經驗者更佳；

數學：

微積分與函數求導；

計算機：

最好有一定的計算機基礎和編程能力；

Python（Numpy）

以上的兩個科研項目就是CMU導師關于人工智能所做的課題。眾所周知，CMU是所美國名校，在當今世界含金量很高，跟隨這樣的導師一起研究，是很好的背景提升的方法。感興趣的就趕快報名吧。

報名/咨詢課題詳情

請識別下方二維碼