背景提升之CMU的人工智能探究项目

繁重的科学和工程计算本来是要人脑来承担的，计算机不但能完成这种计算，而且能够比人脑做得更快、更准确，因此当代人已不再把这种计算看作是“需要人类智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门科学的具体目标也自然随着时代的变化而发展。它一方面不断获得新的进展，另一方面又转向更有意义、更加困难的目标。人工智能变得越来越重要，人们对于人工智能的研究也越来越广泛和深入。今天小编想要给大家推荐几个背景提升的好项目—CMU的人工智能探究项目。

CMU探究项目：人工智能算法自动识别分类宠物猫、狗的品种

课题简介

计算机视觉

Computer Vision

是一门研究如何使机器“看懂”世界的科学，是从图像和 视频中提出数值和符号信息，建立算法使得计算机能够理解图片内容的过程。具体的计算 机视觉任务可以包括但不限于：图像分类，图像增强，图像分割。其应用相当广泛：人脸 识别，车辆检测，目标跟踪等。

图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。 一般来说，图像分类通过手工特征或特征学习方法对整个图像进行全部描述，然后使用分类器判别物体类别，因此如何提取图像的特征至关重要。

本课题旨在运用图像处理机器学习技术对动物图像分类。课题分成两大部分，第一部分从数字图像处理入手，学习人工生成集中经典图像特征，如直方图，关键点描述子等， 后半部分尝试用神经网络做特征提取。第二部分是机器学习分类器模型。课题将介绍逻辑回归，KNN，Kmeans，SVM，在后半部分会涉及简单的神经网络分类器。

科研方法

AI+X数据驱动型科研

AI＋X数据驱动型科研是指使用人工智能（AI）算法，收集、处理、分析具体学科（X）的海量数据，并基于此进行预测，从而获得科学发现的研究方法。与传统的、基于实验或逻辑推理的研究方式相比，AI＋X数据驱动型科研可以借助AI算法强大的运算能力，高效地进行大数据分析，具有投入产出比高、适用范围广的优点。

AI＋X数据驱动型科研已被广泛地应用于各个领域，利用AI算法研究基因数据，从而进行早期的癌症筛查便是其中一例。基因组与癌症病患的数据千千万万，使用传统的科研方式对其进行分析，工程量大、过程繁琐，在客观上难以实现。但借助AI算法这一便捷的工具，生命科学家便能够以海量的患者的遗传信息为基础，建立数据库，与过往的研究成果进行对照，快速、准确地在两者中发现规律、建立联系，从而使癌症诊断的“标准化”成为可能。

整个科研教学流程中，每一位学员都将有学术督导协助保障研究阶段性作业和论文的进度，确保取得研究成果。

授课导师

卡内基梅隆大学硕士；

曾在多家知名企业实习，如Philips, PI Electronics；

参与多项学术研究及学术大赛，如强化学习在无人机飞行中的运用、运用机器学习进行图像处理及AI Challenge Competitions；

研究方向：计算机视觉、机器学习、数据科学。

课题要求

本课题适合： 9-12 年级学生，有较强的逻辑思维和抽象思维能力

英文：

具备基本的学术英语阅读能力；

接触过英文写作，能初步撰写英文文章；

数学：

概率统计基础知识；

矩阵线性变换；

微积分基础 函数求导求极值；

计算机：

Linux 或者 macOS 编程环境的配置；

CMU探究项目：利用卷积神经网络进行图像分类

课题简介

图像分类是根据图像的语义信息将不同类别图像区分开来，是计算机视觉中重要的基本问题，也是图像检测、图像分割、物体跟踪、行为分析等其他高层视觉任务的基础。图像分类在很多领域有广泛应用，包括安防领域的人脸识别和智能视频分析等，交通领域的交通场景识别，互联网领域基于内容的图像检索和相册自动归类，医学领域的图像识别等。

卷积神经网络是神经网络方法中专门用于计算机视觉的一类神经网络。它是目前解决许多计算机视觉任务的最优方法，其中最典型的是图像分类问题。图像分类问题的简单描述如下：给定一张图片和备选的几个类别，计算机能够自动判断该图片属于备选类别中的哪一类。这个任务最直接简单而有效的应用场景之一，就是手写字识别：给定一张手写图片，计算机能够自动识别该图片是什么字符，从而达到手写输入的效果。

MNIST和CIFAR10数据集是两个非常经典的图像分类数据集。前者包含0~9共十个数字手写体的图片。后者包含10种物体（比如飞机、汽车、鸟类）的图片。卷积神经网络能在这两个数据集上达到非常好的分类效果。

本课题旨在通过在这些数据集上完成基本的分类任务，让学生学习到卷积神经网络的原理，包括反向传播，随机梯度下降等，且让学生基本掌握深度学习，并能够认识到深度学习实战中的各种困难，比如数据过拟合。

科研方法

AI＋X数据驱动型科研

使用人工智能（AI）算法，收集、处理、分析具体学科（X）的海量数据，并基于此进行预测，从而获得科学发现的研究方法。与传统的、基于实验或逻辑推理的研究方式相比，AI＋X数据驱动型科研可以借助AI算法强大的运算能力，高效地进行大数据分析，具有投入产出比高、适用范围广的优点。

AI＋X数据驱动型科研已被广泛地应用于各个领域，利用AI算法研究基因数据，从而进行早期的癌症筛查便是其中一例。基因组与癌症病患的数据千千万万，使用传统的科研方式对其进行分析，工程量大、过程繁琐，在客观上难以实现。

但借助AI算法这一便捷的工具，生命科学家便能够以海量的患者的遗传信息为基础，建立数据库，与过往的研究成果进行对照，快速、准确地在两者中发现规律、建立联系，从而使癌症诊断的“标准化”成为可能。

授课导师

卡内基梅隆大学硕士；

担任多家国内外公司的软件工程师，如Airdoc, Deepglint；

研究方向：机器学习及计算机视觉

课题要求

本课题适合： 9-12 年级学生，有较强的逻辑思维和抽象思维能力：

英文：

具备基本的学术英语阅读能力；

接触过英文写作，有论文写作经验者更佳；

数学：

微积分与函数求导；

计算机：

最好有一定的计算机基础和编程能力；

Python（Numpy）

以上的两个科研项目就是CMU导师关于人工智能所做的课题。众所周知，CMU是所美国名校，在当今世界含金量很高，跟随这样的导师一起研究，是很好的背景提升的方法。感兴趣的就赶快报名吧。

报名/咨询课题详情

请识别下方二维码