本周课题导视数据科学方向
1►《数据科学课题:数据科学与机器学习在股票市场预测中的应用》
2►《计算机科学与人工智能:测谎与人脸识别的技术基础:机器学习与神经网络在计算机视觉、语音识别等分类任务中的应用》
3►《数据科学专题:城市生活及交通数据分析与应用》
4►《数据科学专题:基于网络、图等数据结构的社交媒体数据分析》
5►《用算法搭建梦工厂动画世界 基于计算机图形学CG技术的3D特效建模与动画仿真》
6►《人工智能与深度学习专题:基于生成式对抗网络及Tensorflow的AI算法综合研究【大学组】》
项目背景
人工智能在围棋、象棋、德扑等领域都已经取得了碾压式胜利,这已经是一个不争的事实。事实上人工智能已经可以用于任何需要理解复杂模式、进行长期计划、并制定决策的领域。人们不禁想问,还有什么是人工智能不能克服的吗?譬如说,变幻莫测的A股?
如果将股市的价格变化看做一个随时间变化的序列,我们往往会发现,即使建立了符合股价变化的这样的模型,并且在有足够多的训练数据的情况下模拟出了股价,但是这些模型最多只能在特定的区间能做一些并不十分精准的预测。
所以许多人从这方面进行入手,用人工智能提供的快速计算能力,使用合适的模型,来量化这些因素。当你的模型将所有的因素全都考虑进来,那么股价的预测就唾手可得了。
随着人工智能技术的持续进步,人工智能投资成为被学术界和资本看好的领域。英国布里斯托尔大学教授克里斯蒂亚尼尼说,股票投资是十大最有可能被人工智能改变的行业之一。
项目背景
卷积神经网络CNN是一种多层的监督学习神经网络,隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能的核心模块。
该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节,通过频繁的迭代训练提高网络的精度。卷积神经网络的低隐层是由卷积层和最大池采样层交替组成,高层是全连接层对应传统多层感知器的隐含层和逻辑回归分类器。
其本质是一个多层感知机,成功的原因在于其所采用的局部连接和权值共享的方式:一方面减少了权值的数量使得网络易于优化,另一方面降低了模型的复杂度,也就是减小了过拟合的风险。
上述优点使得该技术在计算机视觉、自然语言处理、推荐系统等人工智能领域受广泛使用,项目也将围绕着机器学习与神经网络这一前沿技术展开。
项目背景
2010年,IBM正式提出了“智慧的城市”愿景,希望为世界和中国的城市发展贡献自己的力量。
IBM经过研究认为,城市由关系到城市主要功能的不同类型的网络、基础设施和环境六个核心系统组成:组织(人)、业务/政务、交通、通讯、水和能源。这些系统不是零散的,而是以一种协作的方式相互衔接。
而城市本身,则是由这些系统所组成的宏观系统。有两种驱动力推动智慧城市的逐步形成,一是以物联网、云计算、移动互联网为代表的新一代信息技术,二是知识社会环境下逐步孕育的开放的城市创新生态。
前者是技术创新层面的技术因素,后者是社会创新层面的社会经济因素。由此可以看出创新在智慧城市发展中的驱动作用。
项目背景
如何定义和识别网络中最重要的节点?如何建立一个“小世界”网络和“无标度”网络?为何互联网在毫无规划的情况下形成了“完美的”结构?
网络科学是一门前沿新兴交叉学科,核心理念在于运用计算机科学理解网络的结构和动态发展,包括但不局限于人类行为、商业现象和行为、社会技术结构、知识创新和传播,目标在于借助开发工具分析复杂网络大数据,提出预测行为的数值和分析框架,探讨诸多课题,譬如网络平台上的反欺诈机器人,利用消费习惯实现产品精准定位和广告精准投放,检测运输和物流的薄弱环节,具有广阔的学术和行研前景。
个性化研究课题参考:
●使用时间指数随机图形模型分析加权网络
●共同进化的感染网络的结构研究
●基于多层网络构建语义网络的知识图谱及其●在社交网络上的应用
●复杂网络中的自异性和自同性分析
项目背景
计算机图形学是利用计算机研究图形的表示、生成、处理和显示的一门重要的计算机学科分支,是计算机科学中最活跃的分支之一。
近年来,随着计算机及互联网技术的迅速发展,计算机图形学正越来越深入我们的生活,它在图形视频处理、工业建模、游戏制作、生物信息、医药医疗等各行各业都有着极其重要的作用。
项目将重点介绍计算机图形学研究领域开发的各种交互式工具,及其设计原理和算法。课程内容涵盖计算机图形建模、动画和渲染。课程主题包括基本图像处理、几何变换、曲线和曲面的几何建模等,这些问题对视觉真实感程度起着至关重要的作用。
项目背景
深度学习使用分层算法模型分析数据,是机器学习的重要研究领域;运用统计与预测建模收集、分析、解读海量信息,是数据科学的核心组成部分;模拟人脑神经网络处理数据,设计模型,训练模型,做出决策,是人工智能的一大分支。
深度学习技术通常用于研发图像识别工具、自然语言处理和语音识别软件,完善自动驾驶、语言翻译服务;在零售、医疗、汽车、农业、安全、制造业有着广泛应用。随着数字化趋势的兴起,全球深度学习市场增长强劲,预计在2020-2025年复合年增长率将达到30%左右。机器学习的场景有哪些?
个性化研究课题参考:
●基于深度卷积对抗神经网络的人脸识别方法
●自然语言处理:根据推特内容推断发送人所在城市
●基于卷积神经网络的场景图像分类与迁移学习
●基于改进YOLOv4算法的PCB电子元器件缺陷检测方法