91精品国产91久久久,久久久精品免费,宁荣荣裸体脱裙子撅屁股

Product Details

USC科研課題

基于ImageNet數(shù)據(jù)集的深度學習算法優(yōu)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(shù)據(jù)進行運算分析的技術。深度學習在很多領域展現(xiàn)了強大的應用能力，在某些試聽識別中的表現(xiàn)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(xiàn)實世界中圖像分類問題的數(shù)據(jù)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(fā)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(shù)據(jù)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(qū)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)，并基于此進行預測，從而獲得科學發(fā)現(xiàn)的研究方法。與傳統(tǒng)的、基于實驗或邏輯推理的研究方式相比，AI＋X數(shù)據(jù)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(shù)據(jù)分析，具有投入產出比高、適用范圍廣的優(yōu)點。

AI＋X數(shù)據(jù)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(shù)據(jù)，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(shù)據(jù)千千萬萬，使用傳統(tǒng)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(xiàn)。

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(shù)據(jù)庫，與過往的研究成果進行對照，快速、準確地在兩者中發(fā)現(xiàn)規(guī)律、建立聯(lián)系，從而使癌癥診斷的“標準化”成為可能。