初高中生數據科學和算法科研課題項目

本周課題導視

數據科學方向

1►《數據科學課題：數據科學與(yu) 機器學習(xi) 在股票市場預測中的應用》

項目背景

人工智能在圍棋、象棋、德撲等領域都已經取得了碾壓式勝利，這已經是一個(ge) 不爭(zheng) 的事實。事實上人工智能已經可以用於(yu) 任何需要理解複雜模式、進行長期計劃、並製定決(jue) 策的領域。人們(men) 不禁想問，還有什麽(me) 是人工智能不能克服的嗎？譬如說，變幻莫測的A股？

如果將股市的價(jia) 格變化看做一個(ge) 隨時間變化的序列，我們(men) 往往會(hui) 發現，即使建立了符合股價(jia) 變化的這樣的模型，並且在有足夠多的訓練數據的情況下模擬出了股價(jia) ，但是這些模型最多隻能在特定的區間能做一些並不十分精準的預測。

所以許多人從(cong) 這方麵進行入手，用人工智能提供的快速計算能力，使用合適的模型，來量化這些因素。當你的模型將所有的因素全都考慮進來,那麽(me) 股價(jia) 的預測就唾手可得了。

隨著人工智能技術的持續進步，人工智能投資成為(wei) 被學術界和資本看好的領域。英國布裏斯托爾大學教授克裏斯蒂亞(ya) 尼尼說，股票投資是十大最有可能被人工智能改變的行業(ye) 之一。

2►《計算機科學與(yu) 人工智能：測謊與(yu) 人臉識別的技術基礎：機器學習(xi) 與(yu) 神經網絡在計算機視覺、語音識別等分類任務中的應用》

項目背景

卷積神經網絡CNN是一種多層的監督學習(xi) 神經網絡，隱含層的卷積層和池采樣層是實現卷積神經網絡特征提取功能的核心模塊。

該網絡模型通過采用梯度下降法最小化損失函數對網絡中的權重參數逐層反向調節，通過頻繁的迭代訓練提高網絡的精度。卷積神經網絡的低隱層是由卷積層和最大池采樣層交替組成，高層是全連接層對應傳(chuan) 統多層感知器的隱含層和邏輯回歸分類器。

其本質是一個(ge) 多層感知機，成功的原因在於(yu) 其所采用的局部連接和權值共享的方式：一方麵減少了權值的數量使得網絡易於(yu) 優(you) 化，另一方麵降低了模型的複雜度，也就是減小了過擬合的風險。

上述優(you) 點使得該技術在計算機視覺、自然語言處理、推薦係統等人工智能領域受廣泛使用，項目也將圍繞著機器學習(xi) 與(yu) 神經網絡這一前沿技術展開。

3►《數據科學專(zhuan) 題：城市生活及交通數據分析與(yu) 應用》

項目背景

2010年，IBM正式提出了“智慧的城市”願景，希望為(wei) 世界和中國的城市發展貢獻自己的力量。

IBM經過研究認為(wei) ，城市由關(guan) 係到城市主要功能的不同類型的網絡、基礎設施和環境六個(ge) 核心係統組成：組織（人）、業(ye) 務/政務、交通、通訊、水和能源。這些係統不是零散的，而是以一種協作的方式相互銜接。

而城市本身，則是由這些係統所組成的宏觀係統。有兩(liang) 種驅動力推動智慧城市的逐步形成，一是以物聯網、雲(yun) 計算、移動互聯網為(wei) 代表的新一代信息技術，二是知識社會(hui) 環境下逐步孕育的開放的城市創新生態。

前者是技術創新層麵的技術因素，後者是社會(hui) 創新層麵的社會(hui) 經濟因素。由此可以看出創新在智慧城市發展中的驅動作用。

4► 《數據科學專(zhuan) 題：基於(yu) 網絡、圖等數據結構的社交媒體(ti) 數據分析》

項目背景

如何定義(yi) 和識別網絡中最重要的節點？如何建立一個(ge) “小世界”網絡和“無標度”網絡？為(wei) 何互聯網在毫無規劃的情況下形成了“完美的”結構？

網絡科學是一門前沿新興(xing) 交叉學科，核心理念在於(yu) 運用計算機科學理解網絡的結構和動態發展，包括但不局限於(yu) 人類行為(wei) 、商業(ye) 現象和行為(wei) 、社會(hui) 技術結構、知識創新和傳(chuan) 播，目標在於(yu) 借助開發工具分析複雜網絡大數據，提出預測行為(wei) 的數值和分析框架,探討諸多課題，譬如網絡平台上的反欺詐機器人，利用消費習(xi) 慣實現產(chan) 品精準定位和廣告精準投放，檢測運輸和物流的薄弱環節，具有廣闊的學術和行研前景。

個(ge) 性化研究課題參考：

● 使用時間指數隨機圖形模型分析加權網絡

● 共同進化的感染網絡的結構研究

● 基於(yu) 多層網絡構建語義(yi) 網絡的知識圖譜及其

● 在社交網絡上的應用

● 複雜網絡中的自異性和自同性分析

5►《用算法搭建夢工廠動畫世界 基於(yu) 計算機圖形學CG技術的3D特效建模與(yu) 動畫仿真》

項目背景

計算機圖形學是利用計算機研究圖形的表示、生成、處理和顯示的一門重要的計算機學科分支，是計算機科學中最活躍的分支之一。

近年來，隨著計算機及互聯網技術的迅速發展，計算機圖形學正越來越深入我們(men) 的生活，它在圖形視頻處理、工業(ye) 建模、遊戲製作、生物信息、醫藥醫療等各行各業(ye) 都有著極其重要的作用。

項目將重點介紹計算機圖形學研究領域開發的各種交互式工具，及其設計原理和算法。課程內(nei) 容涵蓋計算機圖形建模、動畫和渲染。課程主題包括基本圖像處理、幾何變換、曲線和曲麵的幾何建模等，這些問題對視覺真實感程度起著至關(guan) 重要的作用。

6►《人工智能與(yu) 深度學習(xi) 專(zhuan) 題：基於(yu) 生成式對抗網絡及Tensorflow的AI算法綜合研究【大學組】》

項目背景

深度學習(xi) 使用分層算法模型分析數據，是機器學習(xi) 的重要研究領域；運用統計與(yu) 預測建模收集、分析、解讀海量信息，是數據科學的核心組成部分；模擬人腦神經網絡處理數據，設計模型，訓練模型，做出決(jue) 策，是人工智能的一大分支。

深度學習(xi) 技術通常用於(yu) 研發圖像識別工具、自然語言處理和語音識別軟件，完善自動駕駛、語言翻譯服務；在零售、醫療、汽車、農(nong) 業(ye) 、安全、製造業(ye) 有著廣泛應用。隨著數字化趨勢的興(xing) 起，全球深度學習(xi) 市場增長強勁，預計在2020-2025年複合年增長率將達到30%左右。機器學習(xi) 的場景有哪些？

個(ge) 性化研究課題參考：

● 基於(yu) 深度卷積對抗神經網絡的人臉識別方法

● 自然語言處理：根據推特內(nei) 容推斷發送人所在城市

● 基於(yu) 卷積神經網絡的場景圖像分類與(yu) 遷移學習(xi)

● 基於(yu) 改進YOLOv4算法的PCB電子元器件缺陷檢測方法