引入深度学习的人工智能类课程

深度学习是人工智能领域最近的惊人进展,从模型、算法,到大规模的应用都取得了令人瞩目的成果。文章提出在人工智能类课程中引入深度学习的初步内容和实施建议,同时分析其必要性和可行性。     

基于深度学习的人工智能处理系统设计

在人工智能和大数据技术快速发展的背景下,深度学习作为一项非常重要的工具,旨在精确化提取数据,从而完成高效率处理、检索信息的工作。因此,以人工智能处理系统为对象,在深入分析系统设计需求的基础上,基于深度学习设计系统的总框架、数据库及数据处理等模块。研究结果表明,所设计的系统能够正常、稳定的运行,各模块功能均达到了设计要求和及预期效果,以期为人工智能处理工作提供一定的帮助。     

人工智能的新浪潮——深度学习

深度学习（Deep Learing）作为一种基于人工神经网络的无监督学习方法,是近年来兴起的一种新的混合机器学习模型,现成为人工智能领域中炙手可热的研究技术。深度学习带来了机器学习的一个新浪潮,受到学术界和工业界的广泛重视,并带来大数据的深度学习时代。本文结合大数据时代的具体需求,详细阐述了深度学习的发展和应用,突出了其在人工智能领域的重要地位。     

基于深度学习的初中信息技术课教学设计模型构建

针对初中信息技术教学课程设计问题,在深度学习理论的基础上,结合教学设计模型的基本特征,提出基于深度学习的初中信息技术课教学设计模型,从分析、设计、实施、评价4个环节介绍构建过程,最后通过测试成绩的对比分析说明基于深度学习的教学设计模型在教学中的有效性.     

深度强化学习研究综述

作为一种崭新的机器学习方法,深度强化学习将深度学习和强化学习技术结合起来,使智能体能够从高维空间感知信息,并根据得到的信息训练模型、做出决策。由于深度强化学习算法具有通用性和有效性,人们对其进行了广泛的研究,并将其运用到了日常生活的各个领域。首先,对深度强化学习研究进行概述,介绍了深度强化学习的基础理论;然后,分别介绍了基于值函数和基于策略的深度强化学习算法,讨论了其应用前景;最后,对相关研究工作做了总结和展望。     

深度学习工具Tensorflow的解析

本文首先对深度学习的现状进行分析,得出了深度学习与软件工具同步是发展的必然趋势,Tensorflow适合作为深度学习工具的结论.最后详细探讨了Tensorflow在深度学习中的具体实践.     

深度学习应用开发在线开放课程建设及教学实践

面向应用型人工智能人才培养,提出项目驱动的深度学习应用开发在线开放课程建设方法,通过设计系列案例,并基于TensorFlow框架实现完整项目开发,阐述基于MOOC+SPOC的线上线下结合的混合模式教学实施过程,并探讨基于MOOC课程资源、面向不同学习对象的多种课程教学实施方案,最后对教学实施情况进行总结。     

深度学习在游戏中的应用

综述了近年来发展迅速的深度学习技术及其在游戏(或博弈)中的应用. 深度学习通过多层神经网络来构建端对端的从输入到输出的非线性映射, 相比传统的机器学习模型有显见的优势. 最近, 深度学习被成功地用于解决强化学习中的策略评估和策略优化的问题, 并于多种游戏的人工智能取得了突破性的提高. 本文详述了深度学习在常见游戏中的应用.     

新一代人工智能浪潮下的深度学习 课程开设路径分析

分析深度学习课程在高校开设的困境,探讨如何在现有条件下开设深度学习课程,并就如何结合新工科建设和教育部产学合作协调育人项目进行深度学习的开课路径、模式探索和师资培养等相关问题给出建议。     

多Agent深度强化学习综述

近年来, 深度强化学习(Deep reinforcement learning, DRL)在诸多复杂序贯决策问题中取得巨大突破.由于融合了深度学习强大的表征能力和强化学习有效的策略搜索能力, 深度强化学习已经成为实现人工智能颇有前景的学习范式.然而, 深度强化学习在多Agent系统的研究与应用中, 仍存在诸多困难和挑战, 以StarCraft Ⅱ为代表的部分观测环境下的多Agent学习仍然很难达到理想效果.本文简要介绍了深度Q网络、深度策略梯度算法等为代表的深度强化学习算法和相关技术.同时, 从多Agent深度强化学习中通信过程的角度对现有的多Agent深度强化学习算法进行归纳, 将其归纳为全通信集中决策、全通信自主决策、欠通信自主决策3种主流形式.从训练架构、样本增强、鲁棒性以及对手建模等方面探讨了多Agent深度强化学习中的一些关键问题, 并分析了多Agent深度强化学习的研究热点和发展前景.     

深度学习在实践教学中的应用研究

深度学习指在教师的引导下学生以有意义学习、自主学习、探究学习等方式充分发挥教师的主导作用和学生的主体作用,在深入分析深度学习的含义、现状的基础上,在《路由与交换技术》课程中进行深度学习尝试,从课程实践教学安排到各个教学环节的实施,到多元化的考核方式对深度学习进行探讨,培养学生实践能力、创新意识、创新精神及团队合作意识等综合能力,在该课程的教学实践过程中取得比较好的教学效果。     

深度学习中的后门攻击综述

随着深度学习研究与应用的迅速发展,人工智能安全问题日益突出。近年来,深度学习模型的脆弱性和不鲁棒性被不断的揭示,针对深度学习模型的攻击方法层出不穷,而后门攻击就是其中一类新的攻击范式。与对抗样本和数据投毒不同,后门攻击者在模型的训练数据中添加触发器并改变对应的标签为目标类别。深度学习模型在中毒数据集上训练后就被植入了可由触发器激活的后门,使得模型对于正常输入仍可保持高精度的工作,而当输入具有触发器时,模型将按照攻击者所指定的目标类别输出。在这种新的攻击场景和设置下,深度学习模型表现出了极大的脆弱性,这对人工智能领域产生了极大的安全威胁,后门攻击也成为了一个热门研究方向。因此,为了更好的提高深度学习模型对于后门攻击的安全性,本文针对深度学习中的后门攻击方法进行了全面的分析。首先分析了后门攻击和其他攻击范式的区别,定义了基本的攻击方法和流程,然后对后门攻击的敌手模型、评估指标、攻击设置等方面进行了总结。接着,将现有的攻击方法从可见性、触发器类型、标签类型以及攻击场景等多个维度进行分类,包含了计算机视觉和自然语言处理在内的多个领域。此外,还总结了后门攻击研究中常用的任务、数据集与深度学习模型,并介绍了后门攻击在数据隐私、模型保护以及模型水印等方面的有益应用,最后对未来的关键研究方向进行了展望。     

学习支架支持的初中人工智能实验教学——以可视化机器学习软件Orange为例

为了改变初中人工智能教育在实验教学层面缺乏有效学习支架支持这一现状,本文以可视化机器学习软件Orange为例开展初中人工智能实验教学,在降低学生学习难度、提升学生学习参与度的同时,通过多种简易且直观的实验驱动学生开展实践体验并记录对比实验数据,帮助学生较为容易地理解有效特征设计的重要性、模型参数调整的必要性、机器学习模型的适用性等,同时,在应用过程中帮助学生进一步理解机器学习的过程及实现原理。     

深度学习技术应用现状分析与发展趋势研究

针对深度学习技术迅速发展的基本状况,分析深度学习技术的主要研究现状,结合其基本原理和主要应用领域,对深度学习技术进行分类和总结,指出目前深度学习技术发展的瓶颈问题,归纳出未来深度学习技术发展的主流趋势。     

基于真实性学习的初中信息科技项目式学习实践

本文基于当前信息科技学科教学存在的“伪项目学习”问题,结合“Python程序基本结构”单元教学,试从一个“挑战性”问题、一群“关联性”任务、一系列“有过程”的证据和一场“重仪式”的成果展来深化项目化真实性特征,让学生与真实世界连接,引领学生走向未来。     

深度学习在动物生态学中的应用研究

深度学习作为一种新兴的人工智能技术,已在各个领域展现出巨大的潜力和广阔的应用前景。动物生态学作为一门研究动物与环境相互作用关系的学科,也积极探索并运用深度学习技术,以期提高数据处理和分析的效率,深化对动物行为、物种分布和生态系统等重要问题的理解。本文针对深度学习在动物生态学中的应用进行综述,梳理并总结了目前相关研究的最新进展,为相关领域的未来研究提供参考和启发,促进深度学习在各种动物生态学问题中的应用。     

深度学习模型可解释性的研究进展

深度学习在很多人工智能应用领域中取得成功的关键原因在于,通过复杂的深层网络模型从海量数据中学习丰富的知识。然而,深度学习模型内部高度的复杂性常导致人们难以理解模型的决策结果,造成深度学习模型的不可解释性,从而限制了模型的实际部署。因此,亟需提高深度学习模型的可解释性,使模型透明化,以推动人工智能领域研究的发展。本文旨在对深度学习模型可解释性的研究进展进行系统性的调研,从可解释性原理的角度对现有方法进行分类,并且结合可解释性方法在人工智能领域的实际应用,分析目前可解释性研究存在的问题,以及深度学习模型可解释性的发展趋势。为全面掌握模型可解释性的研究进展以及未来的研究方向提供新的思路。     

深度强化学习中稀疏奖励问题研究综述

强化学习作为机器学习的重要分支,是在与环境交互中寻找最优策略的一类方法。强化学习近年来与深度学习进行了广泛结合,形成了深度强化学习的研究领域。作为一种崭新的机器学习方法,深度强化学习同时具有感知复杂输入和求解最优策略的能力,可以应用于机器人控制等复杂决策问题。稀疏奖励问题是深度强化学习在解决任务中面临的核心问题,在实际应用中广泛存在。解决稀疏奖励问题有利于提升样本的利用效率,提高最优策略的水平,推动深度强化学习在实际任务中的广泛应用。文中首先对深度强化学习的核心算法进行阐述;然后介绍稀疏奖励问题的5种解决方案,包括奖励设计与学习、经验回放机制、探索与利用、多目标学习和辅助任务等;最后对相关研究工作进行总结和展望。