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

阅读 772

2023-11-07

　　开始日期: 2023-11-11

　　课时安排: 7周在线小组科研学习+5周不限时论文指导学习

　　适合人群

　　适合年级 (Grade): 高中生/大学生

　　适合专业 (Major): 人工智能、计算机科学、数据科学、数据处理、统计学、机器学习、深度学习等专业的学生

　　学生需要具备线性代数、概率论与数理统计基础，无编程基础的学生可用Edge Impulse进行神经网络网络模拟

　　导师介绍

　　Alex

　　牛津大学 University of Oxford终身正教授&中心主任

Alex

　　Alex导师现任是牛津大学的计算机科学系终身正教授，同时担任是自主智能机器和系统博士培训中心(AIMS CDT)的联合主任，也是网络物理系统研究小组的成员。Alex教授致力于将人工智能和机器学习应用于物理传感器系统，以解决关注可持续性的现实世界问题。导师最近的工作涉及未来能源系统，如智能电网、公民科学平台和环境监测，通常涉及在设备、智能手机或云计算中实际部署的新方法。目前的工作是智能建筑能源管理和低成本节能技术的发展。作为博士生导师， Alex曾指导过之前指导过26名博士生完成学业。

　　Dr. Alex is a Professor of Computer Science at the University of Oxford as well as the current Co-Director of the Autonomous Intelligent Machines and Systems Centre for Doctoral Training (AIMS CDT) and a member of the Cyber-Physical Systems research group. His research applies artificial intelligence and machine learning within physical sensor systems to address real-world problems focusing on sustainability. Prof. Alex's recent work has addressed future energy systems, such as the smart grid, citizen science platforms, and environmental monitoring, and typically involves the real-world deployment of novel approaches in devices, smartphones or the cloud. His current work addresses smart building energy management and the development of low-cost conservation technology. Alex has previously supervised 24 PhD students to completion, and is currently supervising Amanda Matthes and Jonas Beuchert.

　　任职学校

　　牛津大学(University of Oxford)是一所公立研究型大学，采用传统学院制。罗素大学集团成员，被誉为“金三角名校”和“G5”。牛津大学的具体建校时间已不可考，但有档案明确记载的最早的授课时间为1096年，之后在1167年因得到了英国王室的大力支持而快速发展。牛津大学是英语世界中最古老的大学，也是世界上现存第二古老的高等教育机构。该校涌现了一批引领时代的科学巨匠，培养了大量开创纪元的艺术大师、国家元首，其中包括28位英国首相(其中13位来自牛津大学基督堂学院及数十位世界各国元首、政商界领袖。牛津大学在数学、物理、医学、法学、商学等多个领域拥有崇高的学术地位及广泛的影响力，被公认为是当今世界最顶尖的高等教育机构之一。从1902年起，牛津大学还设立了面向全世界本科生的“罗德奖学金”。截止至2019年3月，牛津大学的校友、教授及研究人员中，共有72位诺贝尔奖得主(世界第九)、3位菲尔兹奖得主(世界第二十)、6位图灵奖得主(世界第九)。2021-2022年度，牛津大学位列泰晤士高等教育世界大学排名第1，QS世界大学排名第2，U.S. News世界大学排名第5，软科世界大学学术排名第7。特别的是，牛津大学于2017-2022年连续6年在泰晤士高等教育世界大学排名荣膺世界第1。

　　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。

　　项目介绍

　　项目中，导师将向学生介绍机器学习和现代人工神经网络的关键理论，然后探索机器学习在涉及图像、声音和运动数据分类的实际问题上的实际应用。该项目将使用Edge Impulse在线平台，让学生在无需编写完整复杂代码的情况下，将复杂的神经网络学习方法应用到所收集的数据集上。学生将自选真实世界的分类任务，使用上述算法及平台开发解决方案，在项目结束时提交项目报告，进行成果展示。

　　This course will introduce students to machine learning and modern neural networks. It will introduce the key theory of this approach and then explore the practical use of machine learning on real problems involving the classification of images, sounds and motion data. The course will use the online Edge Impulse platform to allow students to apply sophisticated neural network learning approaches, without having to write code, to datasets that they have collected (from the internet or their smartphones). During the project, students will choose their own real-world classification task, develop a solution using the skills that they learned, write up their results, and present their work back to the group.

　　项目大纲

　　机器学习和神经网络介绍 Introduction to machine learning and neural networks

　　反向传播和现代神经网络 Backpropagation and modern neural networks

　　实现图像分类 Implementing image classification in Edge Impulse

　　实现声学和运动分类 Implementing acoustic and motion classification in Edge Impulse

　　学术研讨1：教授与各组学生探讨并评估个性化研究课题可行性，帮助学生明晰后续科研思路，完成初步数据收集及实验 Final Project Preparation Session I

　　学术研讨2：学生将在本周课前完成程序设计原型(prototype)及伪代码(Pseudocode)，教授将根据各组进度进行个性化指导，确保学生优质的终期课题产出 Final Project Preparation Session II

　　成果展示 Final Presentation

　　论文指导 Project Deliverables Tutoring

　　项目收获

　　7周在线小组科研学习+5周不限时论文指导学习共125课时

　　项目报告