深度學習算法的研究

深度學習是機器學習的分支，是一種以人工神經網絡為架構，對數據進行表征學習的算法。至今已有數種深度學習框架，如深度神經網絡、卷積神經網絡和深度置信網絡和遞歸神經網絡已被應用在計算機視覺、語音識別、自然語言處理、音頻識別與生物信息學等領域并獲取了極好的效果。另外，“深度學習”已成為類似術語，或者說是神經網絡的品牌重塑。今天小編要介紹的內容也與深度學習有關。今天的課題題目就是USC科研課題：基于ImageNet數據集的深度學習算法優化研究。

課題簡介

深度學習（Deep Learning）是人工智能（Artificial Intelligence）近幾年最熱門的研究領域。這個領域內接連誕生了AlphaGo、人臉識別、無人駕駛汽車等重量級應用，掀起了一場席卷全世界的科技革命浪潮。深度學習，顧名思義，就是利用多層卷積神經網絡（Convolutional Neural Network）對海量數據進行運算分析的技術。深度學習在很多領域展現了強大的應用能力，在某些試聽識別中的表現甚至超越了人類專家。

圖像分類（Image Classification）是深度學習中應用最早也是應用最為廣泛的部分，由于現實世界中圖像分類問題的數據量往往很小，所以常常通過遷移學習 （Transfer Learning）來完成。近幾年來，深度學習已經成為很多圖像研究者們的首選方法，很多討論深度學習技術的文章被收錄在頂級學術雜志期刊如Nature、Science、Cell中。

作為深度學習中應用最廣泛的部分，圖像分類的意義可以說舉足輕重。事實上，深度卷積神經網絡模型在2012年橫空出世將圖像分類的最高級別的比賽ImageNet的準確率提高了不止一個檔次。自此，每年的冠軍模型都是基于深度卷積神經網絡開發出來的，并且在2015年，圖像分類的準確率已經高于了人類。

本課題旨在介紹深度卷積神經網絡結構，并且就從ImageNet數據集當中挑選一小部分作為突破口，來探究深度學習的來龍去脈。除此之外，本課題還緊跟學術前沿，介紹當下流行的幾種準確率最高的模型，并且比較它們之間的區別。

本課題還介紹遷移學習的目的及必要性、應用成熟的模型對數據集進行調試的方法，并且比較圖像分類方法的準確率，旨在讓學生從理論到實踐全面了解深度學習。

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

南加州大學生物醫學工程專業博士

南加州大學生物醫學工程專業博士在讀；

研究方向為使用機器學習算法分類生物醫學影像；

現擔任USC生物醫學工程專業助教。

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：

線性代數基礎；

概率統計基礎知識；

計算機：

Python編程基礎

Numpy庫基礎

Matplotlib庫基礎

Pytorch編程基礎

報名/咨詢課題詳情

請識別下方二維碼