深度学习算法的研究

深度学习是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和递归神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。另外，“深度学习”已成为类似术语，或者说是神经网络的品牌重塑。今天小编要介绍的内容也与深度学习有关。今天的课题题目就是USC科研课题：基于ImageNet数据集的深度学习算法优化研究。

课题简介

深度学习（Deep Learning）是人工智能（Artificial Intelligence）近几年最热门的研究领域。这个领域内接连诞生了AlphaGo、人脸识别、无人驾驶汽车等重量级应用，掀起了一场席卷全世界的科技革命浪潮。深度学习，顾名思义，就是利用多层卷积神经网络（Convolutional Neural Network）对海量数据进行运算分析的技术。深度学习在很多领域展现了强大的应用能力，在某些试听识别中的表现甚至超越了人类专家。

图像分类（Image Classification）是深度学习中应用最早也是应用最为广泛的部分，由于现实世界中图像分类问题的数据量往往很小，所以常常通过迁移学习 （Transfer Learning）来完成。近几年来，深度学习已经成为很多图像研究者们的首选方法，很多讨论深度学习技术的文章被收录在顶级学术杂志期刊如Nature、Science、Cell中。

作为深度学习中应用最广泛的部分，图像分类的意义可以说举足轻重。事实上，深度卷积神经网络模型在2012年横空出世将图像分类的最高级别的比赛ImageNet的准确率提高了不止一个档次。自此，每年的冠军模型都是基于深度卷积神经网络开发出来的，并且在2015年，图像分类的准确率已经高于了人类。

本课题旨在介绍深度卷积神经网络结构，并且就从ImageNet数据集当中挑选一小部分作为突破口，来探究深度学习的来龙去脉。除此之外，本课题还紧跟学术前沿，介绍当下流行的几种准确率最高的模型，并且比较它们之间的区别。

本课题还介绍迁移学习的目的及必要性、应用成熟的模型对数据集进行调试的方法，并且比较图像分类方法的准确率，旨在让学生从理论到实践全面了解深度学习。

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

南加州大学生物医学工程专业博士

南加州大学生物医学工程专业博士在读；

研究方向为使用机器学习算法分类生物医学影像；

现担任USC生物医学工程专业助教。

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：

线性代数基础；

概率统计基础知识；

计算机：

Python编程基础

Numpy库基础

Matplotlib库基础

Pytorch编程基础

报名/咨询课题详情

请识别下方二维码