人工智能课题研究调查3篇

人工智能课题研究调查3篇人工智能课题研究调查　Compilationofreports20XX报告汇编　报告文档·借鉴学习word可编辑·实用文档　《人下面是小编为大家整理的人工智能课题研究调查3篇,供大家参考。

人工智能课题研究调查3篇

篇一：人工智能课题研究调查

ompilation of reports 20XX 报告汇编

　报告文档·借鉴学习 word 可编辑·实用文档

　《人工智能导论》课程研究报告

　题目：BP 神经网络的非线性函数拟合

　班级：自动化 1303 班姓名：汪洋、房亮、彭正昌、蔡博、刘航、范金祥学号：

　2016 年 1 月 1 日

　报告文档·借鉴学习 word 可编辑·实用文档目

　录第一章

　人工智能相关介绍 1.1 人工神经网络与 matlab .......................................... 4 1.2 人工神经网络的研究背景和意义................................... 4 1.3 神经网络的发展与研究现状....................................... 5 1.4 神经网络的应用................................................. 6 第二章

　神经网络结构及 BP 神经网络

　............................ 6 2.1 神经元与网络结构............................................... 6 2.2 BP 神经网络及其原理........................................... 10 2.3 BP 神经网络的主要功能......................................... 12 第三章

　基于 matlab 的 BP 神经网络的非线性函数拟合 3.1 运用背景....................................................... 6 3.2 模型建立...................................................... 10 3.3

　MatLab 实现 ................................................... 12

　参考文献 ……………………………………… ……………………. - 15 -

　附录 ……………………………………… ……………………….. - 17 -

　报告文档·借鉴学习 word 可编辑·实用文档

　人工智能相关介绍 1.1 人工神经网络与 matlab 人工神经网络（Artificial Neural Networks，NN）是由大量的、简单的处理单元（称为神经元）广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。神经网络具有大规模并行、分布式存储和处理、自组织、自适应和自学习能力，特别适合处理需要同时考虑许多因素和条件的、不精确和模糊的信息处理问题。神经网络的发展与神经科学、数理科学、认知科学、计算机科学、人工智能、信息科学、控制论、机器人学、微电子学、心理学、微电子学、心理学、光计算、分子生物学等有关，是一门新兴的边缘交叉学科。

　神经网络具有非线性自适应的信息处理能力，克服了传统人工智能方法对于直觉的缺陷，因而在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。神经网络与其他传统方法相组合，将推动人工智能和信息处理技术不断发展。近年来，神经网络在模拟人类认知的道路上更加深入发展，并与模糊系统、遗传算法、进化机制等组合，形成计算智能，成为人工智能的一个重要方向。

　MATLAB 是一种科学与工程计算的高级语言，广泛地运用于包括信号与图像处理，控制系统设计，系统仿真等诸多领域。为了解决神经网络问题中的研究工作量和编程计算工作量问题，目前工程领域中较为流行的软件 MATLAB，提供了现成的神经网络工具箱（Neural Network Toolbox，简称 NNbox），为解决这个矛盾提供了便利条件。神经网络工具箱提供了很多经典的学习算法，使用它能够快速实现对实际问题的建模求解。在解决实际问题中，应用 MATLAB 语言构造典型神经网络的激活传递函数，编写各种网络设计与训练的子程序，网络的设计者可以根据需要调用工具箱中有关神经网络的设计训练程序，使自己能够从烦琐的编程中解脱出来，减轻工程人员的负担，从而提高工作效率。

　1.2 人工神经网络的研究背景和意义

　人工神经网络是由具有适应性的简单单元组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。

　人工神经网络就是模拟人思维的一种方式，是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。虽然单个神经元的结构极其简单，功能有限，但大量神经元构成的网络系统所能实现的行为却是极其丰富多彩的。

　近年来通过对人工神经网络的研究，可以看出神经网络的研究目的和意义有以下三点：（1）通过揭示物理平面与认知平面之间的映射，了解它们相互联系和相互作用的机理，从而揭示思维的本质，探索智能的本源。（2）争取构造出尽可能与人脑具有相似功能的计算机，即神经网络计算机。（3）研究仿照脑神

　报告文档·借鉴学习 word 可编辑·实用文档经系统的人工神经网络，将在模式识别、组合优化和决策判断等方面取得传统计算机所难以达到的效果。

　人工神经网络特有的非线性适应性信息处理能力，克服了传统人工智能方法对于直觉，如模式、语音识别、非结构化信息处理方面的缺陷，使之在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。人工神经网络与其它传统方法相结合，将推动人工智能和信息处理技术不断发展。近年来，人工神经网络正向模拟人类认知的道路上更加深入发展，与模糊系统、遗传算法、进化机制等结合，形成计算智能，成为人工智能的一个重要方向，将在实际应用中得到发展。将信息几何应用于人工神经网络的研究，为人工神经网络的理论研究开辟了新的途径。神经计算机的研究发展很快，已有产品进入市场。光电结合的神经计算机为人工神经网络的发展提供了良好条件。

　1.3 神经网络的发展与研究现状神经网络的发展神经网络起源于 20 世纪 40 年代，至今发展已半个多世纪，大致分为三个阶段。

　1）20 世纪 50 年代-20 世纪 60 年代：第一次研究高潮自 1943 年 M-P 模型开始，至 20 世纪 60 年代为止，这一段时间可以称为神经网络系统理论发展的初期阶段。这个时期的主要特点是多种网络的模型的产生与学习算法的确定。

　2）20 世纪 60 年代-20 世纪 70 年代：低潮时期到了 20 世纪 60 年代，人们发现感知器存在一些缺陷，例如，它不能解决异或问题，因而研究工作趋向低潮。不过仍有不少学者继续对神经网络进行研究。

　Grossberg 提出了自适应共振理论；Kohenen 提出了自组织映射；Fukushima 提出了神经认知网络理论；Anderson 提出了 BSB 模型；Webos 提出了 BP 理论等。这些都是在 20 世纪 70 年代和 20 世纪 80 年代初进行的工作。

　3）20 世纪 80 年代-90 年代：第二次研究高潮进入 20 世纪 80 年代，神经网络研究进入高潮。这个时期最具有标志性的人物是美国加州工学院的物理学家 John Hopfield。他于 1982 年和 1984 年在美国科学院院刊上发表了两篇文章，提出了模拟人脑的神经网络模型，即最著名的Hopfield 模型。Hopfield 网络是一个互连的非线性动力学网络，它解决问题的方法是一种反复运算的动态过程，这是符号逻辑处理方式做不具备的性质。20 世纪 80 年代后期到 90 年代初，神经网络系统理论形成了发展的热点，多种模型、算法和应用被提出，研究经费重新变得充足，使得研究者们完成了很多有意义的工作。

　神经网络的现状进入 20 世纪 90 年代以来，神经网络由于应用面还不够宽，结果不够精确，存在可信度问题，从而进入了认识与应用研究期。

　报告文档·借鉴学习 word 可编辑·实用文档 1）开发现有模型的应用，并在应用中根据实际运行情况对模型、算法加以改造，以提高网络的训练速度和运行的准确度。

　2）充分发挥两种技术各自的优势是一个有效方法。

　3）希望在理论上寻找新的突破，建立新的专用/通用模型和算法。

　4）进一步对生物神经系统进行研究，不断地丰富对人脑的认识。

　 1.4 神经网络的应用神经网络理论的应用取得了令人瞩目的发展，特别是在人工智能、自动控制、计算机科学、信息处理、机器人、模式识别、CAD/CAM 等方面都有重大的应用实例。下面列出一些主要应用领域：

　（1）模式识别和图像处理。印刷体和手写字符识别、语音识别、签字识别、指纹识别、人体病理分析、目标检测与识别、图像压缩和图像复制等。

　（2）控制和优化。化工过程控制、机器人运动控制、家电控制、半导体生产中掺杂控制、石油精炼优化控制和超大规模集成电路布线设计等。

　（3）预报和智能信息管理。股票市场预测、地震预报、有价证券管理、借贷风险分析、IC 卡管理和交通管理。

　（4）通信。自适应均衡、回波抵消、路由选择和 ATM 网络中的呼叫接纳识别和控制。

　（5）空间科学。空间交汇对接控制、导航信息智能管理、飞行器制导和飞行程序优化管理等。

　2 神经网络结构及 BP 神经网络 2.1 神经元与网络结构

　人工神经网络（artificial neural network，ANN）是模仿生物神经网络功能的一种经验模型。生物神经元受到传入的刺激，其反应又从输出端传到相联的其它神经元，输入和输出之间的变换关系一般是非线性的。神经网络是由若干简单（通常是自适应的）元件及其层次组织，以大规模并行连接方式构造而成的网络，按照生物神经网络类似的方式处理输入的信息。模仿生物神经网络而建立的人工神经网络，对输入信号有功能强大的反应和处理能力。

　报告文档·借鉴学习 word 可编辑·实用文档神经网络是由大量的处理单元（神经元）互相连接而成的网络。为了模拟大脑的基本特性，在神经科学研究的基础上，提出了神经网络的模型。但是，实际上神经网络并没有完全反映大脑的功能，只是对生物神经网络进行了某种抽象、简化和模拟。神经网络的信息处理通过神经元的互相作用来实现，知识与信息的存储表现为网络元件互相分布式的物理联系。神经网络的学习和识别取决于各种神经元连接权系数的动态演化过程。

　若干神经元连接成网络，其中的一个神经元可以接受多个输入信号，按照一定的规则转换为输出信号。由于神经网络中神经元间复杂的连接关系和各神经元传递信号的非线性方式，输入和输出信号间可以构建出各种各样的关系，因此可以用来作为黑箱模型，表达那些用机理模型还无法精确描述、但输入和输出之间确实有客观的、确定性的或模糊性的规律。因此，人工神经网络作为经验模型的一种，在化工生产、研究和开发中得到了越来越多的用途。

　2.1.1 生物神经元人脑大约由 1012 个神经元组成，神经元互相连接成神经网络。神经元是大脑处理信息的基本单元，以细胞体为主体，由许多向周围延伸的不规则树枝状纤维构成的神经细胞，其形状很像一棵枯树的枝干。它主要由细胞体、树突、轴突和突触(Synapse，又称神经键)组成。

　如图 1 所示。

　图 1 生物神经元

　从神经元各组成部分的功能来看，信息的处理与传递主要发生在突触附近。当神经元细胞体通过轴突传到突触前膜的脉冲幅度达到一定强度，即超过其阈值电位后，突触前膜将向突触间隙释放神经传递的化学物质。

　 2.1.2 人工神经元归纳一下生物神经元传递信息的过程：生物神经元是一个多输入、单输出单元。常用的人工神经元模型可用图 2 模拟。

　报告文档·借鉴学习 word 可编辑·实用文档

　图 2 人工神经元（感知器）示意图

　当神经元 j 有多个输入 xi(i=1，2,…,m)和单个输出 yj 时，输入和输出的关系可表示为:

　  ) (1j jjmii ij js f yx w s 

　其中 j 为阈值，wij 为从神经元 i 到神经元 j 的连接权重因子，f( )为传递函数，或称激励函数。

　2.1.3 人工神经网络的构成神经元的模型确定之后，一个神经网络的特性及能力主要取决于网络的拓扑结构及学习方法。

　神经网络连接的几种基本形式：

　1）前向网络

　前向网络结构如图 3 所示，网络中的神经元是分层排列的，每个神经元只与前一层的神经元相连接。神经元分层排列，分别组成输入层、中间层（也称为隐含层，可以由若干层组成）和输出层。每一层的神经元只接受来自前一层神经元的输入，后面的层对前面的层没有信号反馈。输入模式经过各层次的顺序传播，最后在输出层上得到输出。感知器网络和 BP 网络均属于前向网络。

　图 3 前向网络结构

　2）从输出到输入有反馈的前向网络

　报告文档·借鉴学习 word 可编辑·实用文档其结构如图 4 所示，输出层对输入层有信息反馈，这种网络可用于存储某种模式序列，如神经认知机和回归 BP 网络都属于这种类型。

　图 4 有反馈的前向网络结构

　3) 层内互连前向网络

　其结构如图 5 所示，通过层内神经元的相互结合，可以实现同一层神经元之间的横向抑制或兴奋机制。这样可以限制每层内可以同时动作的神经元素，或者把每层内的神经元分为若干组，让每一组作为一个整体进行运作。例如，可利用横向抑制机理把某层内的具有最大输出的神经元挑选出来，从而抑制其他神经元，使之处于无输出状态。

　图 5 有相互结合的前向网络结构

　4) 相互结合型网络相互结合型网络结构如图 6 所示，这种网络在任意两个神经元之间都可能有连接。Hopfield 网络和 Boltzmann 机均属于这种类型。在无反馈的前向网络中，信号一旦通过某神经元，该神经元的处理就结束了。而在相互结合网络中，信号要在神经元之间反复传递，网络处于一种不断变化状态的动态之中。信号从某初始状态开始，经过若干次变化，才会达到某种平衡状态。根据网络的结构和神经元的特性，网络的运行还有可能进入周期振荡或其他如混沌平衡状态。

　报告文档·借鉴学习 word 可编辑·实用文档

　图 6 结合型网络结构

　综上，可知神经网络有分层网络、层内连接的分层网络、反馈连接的分层网络、互连网络等四种结构，其神经网络模型有感知器网络，线性神经网络，BP神经网络，径向基函数网络，反馈神经网络等，本文主要学习研...

篇二：人工智能课题研究调查

智能报告之机器学习 Artificial Intelligence Report of Machine Learning 2020 年第 1 期顾问：唐杰 2020 年 1 月

　CONTENT 1 ．概述篇．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ··· 1I . ）机器学习的概念．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． l1 . 2机器学习的发展历史........................................................................ 1 2 ．技术篇．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ··22 . )机器学习算法分类．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． .... 2 2 . 2机器学习的经典代表算法．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． .... 2 2 . 3生成对抗网络及对抗机器学习··············································.............. 3 2 . 4自动机器学习................................................................................. 4 2 . 5可解释性机器学习........................................................................... 6 2 . 6在线学习．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 62 . 7 BE R T ···························································································· 7 2 . 8卷积与图卷积．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 82 . 9隐私保护．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ······103. 深度学习篇．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 113 . 1卷积神经网络．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ···123 . 2 AutoEncod er · · · · · · · · ·· · · · · · · · · · · · ··· · · · · · · · · · · · · · · ··· · · · · · · · · · · · · · · · ·· · · · · · · · · · · · · · · ··· · · · · · ·· · 12 3 . 3循环神经网络 R NN········································································· 13 3 . 4网络表示学习与图神经网络 GNN ·······················································l 33 . 5增强学习．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ......• 14 3 . 6生成对抗网络....·••••••.••.•.•••••••••.••••.•.••••. ·.••.••••. ·.•••••.•.••••••. •.•••• ·.••••• • 14 3 . 7老虎机．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ·• 15 3 . 8图神经网络．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ·• 153 . 9深度学习近期重要进展．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ··164. 论文解读篇．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． .. 185 ．人才篇．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 215 . 1学者情况概览..• · · · • ••• • · • · · · · •••• • · • • · · ••• • · • · ••• · · · · • • · ••• • · · · • ••• • · • · • · • • • • · • · •••• · · • • • · • ·21 5 . 2代表性学者简介．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ···235 . 3 N eur lPS十年高弓I学者······································································26

　ONTENTS 6 .应用篇．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 3 07. 趋势篇．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 3 58 . 资源篇．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．368.1开源代码．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． .....36 8.2预计1I练．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ······378.3课程．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ········378 . 4数据集·························································································388.5 机器学习知识树．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． ···39参考文献．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．．． 41

　图目录图 1-1 机器学习发展历程 ............................................................................................................. 1 图 2-1 机器学习分类 ..................................................................................................................... 2 图 2-2 GAN 发展脉络 ...................................................................................................................... 3 图 2-3 AutoML 基本过程 ................................................................................................................ 5 图 2-4 ATMSeer 自动机器学习定制化工具的用户友好型交互界面 .......................................... 5 图 2-5 Transformer 的网络架构 .................................................................................................. 8 图 2-6 图卷积示意图 ..................................................................................................................... 9 图 3-1 深度学习模型最近若干年的重要进展 ........................................................................... 11 图 3-2 卷积神经网络的重要进展 ............................................................................................... 12 图 3-3 Auto-Encoder 的重要进展 .............................................................................................. 12 图 3-4 循环神经网络 RNN 的重要进展 ....................................................................................... 13 图 3-5 网络表示学习与图神经网络的重要进展 ........................................................................ 13 图 3-6 增强学习的重要进展 ....................................................................................................... 14 图 3-7 生成对抗网络的重要进展 ............................................................................................... 14 图 3-8 老虎机的重要进展 ........................................................................................................... 15 图 5-1 机器学习领域全球学者分布 ........................................................................................... 21 图 5-2 机器学习领域学者 h-index 分布 ................................................................................... 22 图 5-3 机器学习领域中国学者分布 ........................................................................................... 22 图 6-1 自动驾驶目标识别、运动预测 ....................................................................................... 31 图 7-1 机器学习技术趋势 ........................................................................................................... 35 表目录表 4-1 ICML 近 10 年 best paper ............................................................................................... 18 表 4-2 NeurIPS 近 10 年 best paper ......................................................................................... 19 表 5-1 机器学习领域中国与各国合作论文情况 ....................................................................... 23 表 5-2 NeurIPS 高引学者 TOP100 ............................................................................................... 26 表 8-1 机器学习三级知识树 .......................................................................... 错误! 未定义书签。

　概述篇 1 1 概述篇 1.1 机器学习的概念机器学习已经成为了当今的热门话题，但是从机器学习这个概念诞生到机器学习技术的普遍应用经过了漫长的过程。在机器学习发展的历史长河中，众多优秀的学者为推动机器学习的发展做出了巨大的贡献。

　从 1642 年 Pascal 发明的手摇式计算机，到 1949 年 Donald Hebb 提出的赫布理论——解释学习过程中大脑神经元所发生的变化，都蕴含着机器学习思想的萌芽。事实上，1950 年图灵在关于图灵测试的文章中就已提及机器学习的概念。到了 1952 年，IBM 的亚瑟·塞缪尔（Arthur Samuel，被誉为“机器学习之父”）设计了一款可以学习的西洋跳棋程序。塞缪尔和这个程序进行多场对弈后发现，随着时间的推移，程序的棋艺变得越来越好 [1] 。塞缪尔用这个程序推翻了以往“机器无法超越人类，不能像人一样写代码和学习”这一传统认识。并在 1956 年正式提出了“机器学习”这一概念。

　对机器学习的认识可以从多个方面进行，有着“全球机器学习教父”之称的 Tom Mitchell 则将机器学习定义为：对于某类任务 T 和性能度量 P，如果计算机程序在 T 上以 P衡量的性能随着经验 E 而自我完善，就称这个计算机程序从经验 E 学习。

　普遍认为，机器学习（Machine Learning，常简称为 ML）的处理系统和算法是主要通过找出数据里隐藏的模式进而做出预测的识别模式，它是人工智能（Artificial Intelligence，常简称为 AI）的一个重要子领域。

　1.2 机器学习的发展历史从机器学习发展的过程上来说，其发展的时间轴如下所示：

　图 1-1 机器学习发展历程

　人工智能之机器学习 2 技术篇 2.1 机器学习算法分类机器学习算法可以按照不同的标准来进行分类。比如按函数 f (x，θ)的不同，机器学习算法可以分为线性模型和非线性模型；按照学习准则的不同，机器学习算法也可以分为统计方法和非统计方法。但一般来说，我们会按照训练样本提供的信息以及反馈方式的不同，将机器学习算法分为监督学习、无监督学习和强化学习[2] 。

　图 2-1 机器学习分类 2.2 机器学习的经典代表算法 1980 年机器学习作为一支独立的力量登上了历史舞台。在这之后的 10 年里出现了一些重要的方法和理论，典型的代表是：分类与回归树（CART，1984）、反向传播算法（1986）、卷积神经网络（1989）。从 1990 到 2012 年，机器学习逐渐走向成熟和应用，在这 20 多年里机器学习的理论和方法得到了完善和充实，可谓是百花齐放的年代。代表性的重要成果有：支持向量机（SVM，1995）、AdaBoost 算法（1997）、循环神经网络和 LSTM（1997）、流形学习（2000）、随机森林（2001）。机器学习代表算法包括 [3] ：

　 线性回归 分类与回归树（CART）

　技术篇  随机森林（Random Forest） 逻辑回归 朴素贝叶斯（Naive Bayesian） k 最近邻（kNN） AdaBoost K-均值算法（K-Means） 支持向量机（SVM） 人工神经网络 ANN（Artificial Neural Network）2.3 生成对抗网络及对抗机器学习 2.3.1 生成对抗网络生成对抗网络（Generative Adversarial Networks, GAN）是用于无监督学习的机器学习模型，由 Ian Goodfellow 等人在 2014 年提出，由神经网络构成判别器和生成器构成，通过一种互相竞争的机制组成的一种学习框架，GAN 在深度学习领域掀起了一场革命。传统的生成模型最早要追溯到 80 年代的 RBM，以及后来逐渐使用深度神经网络进行包装的AutoEncoder，然后就是现在称得上最火的生成模型 GAN [4] 。

　图 2-2 GAN 发展脉络

　人工智能之机器学习 2.3.2 对抗机器学习对抗机器学习是一个机器学习与计算机安全的交叉领域。对抗机器学习旨在给恶意环境下的机器学习技术提供安全保障。由于机器学习技术一般研究的是同一个或较为稳定的数据分布，当部署到现实中的时候，由于恶意用户的存在，这种假设并不一定成立。比如研究人员发现，一些精心设计的对抗样本（a...

篇三：人工智能课题研究调查

小学开展人工智能教育教学实践研究

　摘要：本课题主要研究在如何在农村小学开展人工智能教育教学课程。本课题从分析乡村人工智能教育教学现状入手，研究开展人工智能提高学生核心素养的必要性，并提出了在农村小学开展人工智能教育教学切实可行的措施，通过人工智能教育教学在乡村小学课程的开展提升农村小学学生信息学科综合素养。

　关键词：农村小学教学人工智能一、农村小学人工智能教育教学现状

　(一)农村信息教师对于人工智能教学理念的理解滞后，理解流于表面。教育部 2018 年 1 月颁发了《普通高中信息技术课程标准》，其中以学校课程方式进行的学生人工智能培养可以划为三个层面：体验层面的认识人工智能、初步理解人工智能实现的简单原理和基本过程、能够简单实现人工智能的基础应用。我们可以发现，在中小学阶段的人工智能课程标准里，培养计算思维。小学阶段人工智能教育教学要以计算思维培养为重点，以感知和体验人工智能为辅助。农村信息教师认为人工智能教学对于小学的学生理解有困难，在小学进行人工智能教育还为时过早，而且没有资金购买成百上千的器材，所以没有条件进行人工智能教育教学。

　（二）人工智能教育课程和资源在乡村科学教学中如空中楼阁，不接地气目前农村人工智能教育资源不够丰富，现有的教学资源也比较单一，多停留在 3D 打印、开源硬件等“高大上”的领域，对于乡村人工智能教学来讲，缺少易操作、易推广、能解决实际问题的“接地气”的教学资源。

　二、农村小学开展人工智能教育教学的必要性

　（一）人工智能教育从娃娃抓起，推助国民科学创新素质

　人工智能是改变人类未来生活方式的重要手段，是未来颠覆人类发展生活的大方向。对国内中小学教育，人工智能和教育相结合势在必行，让人工智能融入中小学课堂，推助国民科学创新素质，为国家的人工智能发展培育种子力量，这是我们每一位教育工作者应担起的社会责任。

　(二) 开展中小学人工智能技术与是适应智能社会的学习、生活与工作环境的需要从 2017 年起，伴随互联网和大数据信息技术的社会普及，“人工智能+ 教育”已成为当前国内教育领域的前端热门话题。中小学生将首先面临智能社会的巨大挑战，人工智能作为影响社会方方面面的颠覆性技术，会对学生的生活与学习产生重大影响，学生在居家生活、参观旅游、娱乐交际等社会活动中，随时处于人工智能系统与产品的环境中。使中小学能够正确认识、对待与使用人工智能技术与产品，显得十分迫切。

　三、农村小学开展人工智能教育教学的具体实践

　(一)删繁就简，把握重点，以培养学生计算思维作为培养学生人工智能教育的切入点什么是计算思维？谷歌将计算性思维概括成分解、模式识别、抽象和算法开发四大类型。我们可以把它很通俗地概况为：生活和计算机中通用的思维模式。譬如 Code.org 网站就有很多不插电的计算思维培养课程，我们利用这个课程可能进行计算思维的培养，不但不用高大上的器材，而且连电不用，而且省钱。

　培养计算思维不插电

　通过这些课程，学生在轻松拖拉和完成游戏的过程中，明白了计算思维是什么，知道了计算机如何把人们解决问题的方法转化成计算思维的，从而培养了学生的计算思维。

　我给小学生讲 scratch 时，第一个例子总喜欢用“听话的小甲虫”。按下不同的方向键，小甲虫会在舞台上朝相应的方向移动。

　在这个例子中，我们应该把教学的重点仅仅放在介绍模块的功能上吗？不。

　这虽然是一个极其简单的有趣小程序，但是如果仔细思考，可以传递的理念就多了。

　我们把这个例子拆解开来会发现：按键事件面向并移动

　得到甲虫爬的结果这正好是一个输入、处理、输出（执行）

　的计算机工作的基本模型

　有了这个基本模型，我们可以鼓励学生按照模块分类进行自由替换，（scratch 很贴心，使用颜色和形状来区分模块功能的。）鼓励学生探索并理解功能使用，一节课，模块功能学习就 OK 了，替换、排列组合，程序会呈现各种各样的样式，学生们在这种探索中乐此不疲。

　我们继续小甲虫例子：两个程序块，一个负责控制运动，一个负责控制造型，各干各的——模块化&并行的概念——模块化对应计算思维中的分解。

　更改方向角度或移动步数，观察小甲虫运动的变化情况——这是参数、程序调试、数据的概念。小甲虫按一下走一次，太懒了。每次按键，小甲虫做的事情都是一样的，有没有办法让它自己走？——引入重复，循环概念。

　循环，是自动化的基础。

　小甲虫撞了南墙不回头，它为什么这么傻？它能聪明点吗？——在这里引出检测、条件判断。当小甲虫用上了判断的时候，我们发现它聪明了。

　逻辑判断，是智能的基础。

　在教学过程中通过对这些基本概念、原理潜移默化地不断渗透和强化，学生可以比较容易地对这些基本方法进行迁移。

　(二)基于 scratch3.0 的 kittenblock 人工智能系列课程拿小学阶段常见的图形化编程来说，现有的共享课程资源数不胜数、种类繁多，像网易卡搭、DF、makeblock、小喵科技、树上科技、编程猫等

　等有社会责任感的平台都提供了非常多的免费共享课程。对于我个人来说，这些课程提供了很好的框架，在实施的过程中我可以结合生成性内容配合深入的教学反思，逐步完善、形成具有个人教学风格、符合实际条件的课程。既不用花大力气开发，又能接地气。

　最近，我和学生共同尝试了基于 scratch3.0 的 kittenblock 这个软件的一套人工智能案例。

　人工智能案例目录：从文字朗读、语音识别、视觉识别到翻译系统、专家系统，甚至是目前大热的机器学习 Tensorflow，都提供了可操作的应用案例。那么这样一套案例完成下来，人工智能教学小学部分的任务就完成了（感知与体验），甚至还拓展到了初中的任务（理解如何实现）。

　在接触之前，我们会思考这些高精尖内容适合小学生吗？他们能消化吗？是不是太难了？开发者说，他们通过自身积累的技术，将人工智能降低门槛了。Kitten 对 AI 的支持情况：通过添加扩展，接入相应人工智能功能。

　学生通过通过小喵 kittenblock 扩展中提供的文字朗读、语音识别、机器翻译、视觉侦测、人脸识别、机器学习等人工智能课程初步对人工智能有了感知，激发了学生的学习和兴趣，教师在这个过程中只是起到了引路的作用，激发了学生探究学习的乐趣和动力，教给了学生学习的方法。在计算机科学领域，我们大约每隔 5 年就接受新的技术和新的思维模式，因为新技术以这种速度被发明出来，使得我们之前使用的技术变得过时。所以，在信息时代，我们必须习惯于不断学习新事物。不断学习或说学习兴趣是孩子们最应该被保护好的学习品质，而学习方法将是我们传授

　给孩子最重要的技能。我们应该重新认识我们的教师身份，重归教育教学本质，淡化对学习内容的关注，强化对学习方法的传授，共同投入这场史无前例的学习革命。

推荐访问:人工智能课题研究调查人工智能课题研究调查