El proyecto consta de los siguientes seis proyectos:
Proyecto 1: Proyecto práctico de reconocimiento de dígitos escritos a mano
Este proyecto se basa en el aprendizaje profundo de código abierto más popular. marco TensorFlow. Se utilizan redes neuronales convolucionales multicapa para extraer características de imágenes de dígitos escritas a mano, y redes neuronales completamente conectadas para reconocer imágenes de dígitos escritas a mano. Todo el proceso del proyecto incluye análisis y procesamiento de datos, diseño de estructura del modelo, optimización y depuración, análisis de resultados, etc. , la precisión del reconocimiento final alcanzó más del 90%. Esta tecnología se puede aplicar a escenarios de reconocimiento de datos de texto, como reconocimiento de datos de texto de tarjetas, reconocimiento de datos de texto de facturas, reconocimiento de texto de escenas de automóviles, etc.
Segundo elemento: Práctica práctica de vectorización de características textuales de obras literarias
Este proyecto estudia principalmente la aplicación del aprendizaje profundo en el procesamiento del lenguaje natural, utilizando redes neuronales recurrentes y redes de memoria corta y larga. Para realizar este campo, Word incorpora el aprendizaje y el razonamiento contextual. El proyecto seleccionará algunas obras literarias e implementará la extracción de características de incrustación de palabras y la inferencia de contexto basada en la memoria a corto y largo plazo. Se pueden utilizar tecnologías relacionadas para procesar datos de secuencia con atributos espaciotemporales, como predicción de datos económicos, predicción de datos bursátiles, predicción de datos de comportamiento del consumidor, etc.
Proyecto 3: Implementación práctica del proyecto de generación de imágenes faciales basado en GAN
Después del aprendizaje, se puede aplicar directamente a la generación inteligente de diálogos de servicio al cliente, síntesis de imágenes visuales, mejora de datos y otros. tareas. Este proyecto tomará la generación de imágenes faciales como ejemplo para presentar el principio y la implementación de redes generativas adversarias.
Proyecto 4: Implementación práctica de un proyecto de generación de imágenes faciales basado en GAN distribuido.
A través de métodos paralelos, se mejora el rendimiento de datos del aprendizaje profundo y se acelera el proceso de aprendizaje y entrenamiento del modelo. Este proyecto se basa en la generación de imágenes faciales e introduce la GPU y los modos paralelos de aprendizaje profundo en clústeres distribuidos. Las tecnologías relacionadas se pueden aplicar directamente a diversos escenarios de inteligencia artificial, big data/computación en la nube.
Proyecto 5: Implementación práctica de un proyecto de juego de laberinto basado en el aprendizaje por refuerzo profundo
Este proyecto presentará brevemente las ideas básicas del aprendizaje por refuerzo y demostrará el desarrollo y la capacitación del aprendizaje por refuerzo profundo. a través de la práctica del proceso de juego de laberintos, logrando así la exploración autónoma, el aprendizaje y la toma inteligente de decisiones del entorno por parte del sistema de IA. Las tecnologías relacionadas se pueden utilizar para tareas auxiliares de toma de decisiones, como la conducción autónoma, la inversión cuantitativa en IA, la recomendación de productos de comercio electrónico, los robots, la interacción persona-computadora y la programación óptima.
Proyecto 6: Proyecto de reconocimiento de matrículas empresariales reales
Este proyecto utilizará el reconocimiento de matrículas como una aplicación práctica para guiar a los estudiantes a través de todo el proceso de un proyecto típico de inteligencia artificial, incluido el proyecto. posicionamiento en análisis de demanda, diseño de arquitectura de sistemas, implementación de módulos funcionales, aplicación de algoritmos clave, pruebas y mantenimiento. Este proyecto se centrará en el desarrollo y prueba de módulos básicos de IA, y los enlaces prácticos relevantes pueden familiarizar a los estudiantes con el ciclo completo de proyectos reales a nivel empresarial. El núcleo técnico de este proyecto se puede ampliar para identificar otros problemas similares, como la identificación del número de contenedor, y también se puede utilizar como uno de los módulos centrales del proyecto de estacionamiento inteligente.