学科前沿讲座课程总结与感悟
0写在前面本文记录了两个月以来8场学科前沿技术讲座的课程总结与感悟。
学院请到了很多厉害的教授以及企业的专家和学者，讲座的方向多以大数据和人工智能为主，作为计算机科学专业的学生，时刻保持对行业发展前沿领域的关注，我认为是十分必要的。
1课程感悟经过近两个月的讲座课程的学习，我对计算机科学的学术前沿内容有了更多、更深入的理解和感悟。
讲座的内容很充实，形式也十分丰富，讲座的主题也涵盖了包括但不限于数据库原理、大数据、人工智能等等。我认为，在本科三年级的这个阶段，在核心专业课基础知识-包括数据结构与算法、计算机组成原理、编译原理、操作系统、面向对象等-已经熟练掌握得十分牢固的前提下，应该把目光放得长远。
在邹欣老师的《构建之法》一书的前言中有所提到：
学校想培养什么样的学生，是世界一流，中国一流，还是本省二流？有什么样的期望，就要有什么样的课程设计。
作为北航的一名本科生，应该将成为国际一流人才作为自己的培养目标，而要成为这样的人才，就需要用国际一流的标准去要求自己。
所以，能够在这个本科生涯即将告一段落、即将步入社会的重要关键节点，学院为我们开设这样一门课程，并请到了李波老师、马殿富老师、邹欣老师、马帅老师等等为我们深入地剖析当前计算机科学与技术的前沿知识，是我在这一学期的一大幸运。
在众多精彩的讲座中，最吸引我的主题，非人工智能相关的话题莫属。一方面，是今年来，人工智能浪潮来袭，使人工智能技术再一次到达顶峰，与人工智能有关的内容成为炙手可热的话题。另一方面，也是我本人，对于人工智能领域的前沿技术的热爱，让我对老师们精彩的演讲产生了浓厚的兴趣。因此，若要在这短短五千字的报告中，用简洁凝练的语言，来表达我的感悟的话，那么我最想表达的内容，必定是我对于人工智能前沿技术的体会与心得。
人工智能在历史上曾经历三起三落，现在正是人工智能技术走上坡路的时期，这一点是不难解释的，那就是数据量的不断增长、数据硬件存储能力的扩增以及数据计算能力的提升与计算成本的降低，为机器学习的算法实现提供了无限可能。
另外，随着理论研究的不断深入，机器学习在传统领域的基础上，又扩展出了多个分支—强化学习、深度学习、多任务学习，等等。应用领域也得以扩展，从数据挖掘、图像检测、模式识别到自然语言处理等等，可以说机器学习已经遍及到人们生活的方方面面。
讲座中所学到的内容与知识都是静态的，而只有将这些知识，实际运用起来才能让其变得生动灵活。正如马尔科姆•格拉德威尔在他的《逆转：弱者如何找到优势，反败为胜》一书中所提到的，如果一直停留在理论层面上去分析问题的话，那么有利局势的天平将很难朝你的一侧倾斜。因此，只有在真正的实践中，才能体会到讲座中，老师们所向我们介绍的人工智能的神奇力量。为此，我亲自尝试了人工智能的两个具体的应用，并用机器学习的方法，解决了实际生活中的问题，这一过程让我感触颇深，也是我在这门课中收获最大的地方。
第一个实践是运用多任务学习的方法，尝试解决了一类商业选址问题。
商业选址是一类重要的投资决策问题。其重要性主要体现在投资的长期性、固定性以及对经济效益的决定性上。在传统的商业选址问题中，通常的考量因素往往涵盖了地域、交通、竞争压力以及人流量等方面。在这种情况下，投资者的经验以及数据信息来源的有效性将起到决定性的作用。随着移动互联网时代的到来，越来越多的商业应用，如美团、大众点评等渐渐走入人们的生活。这其中蕴含着巨大潜在的商业价值有待挖掘，尤其对于商业选址这类重要的问题而言，数据所提供的参考信息已然成为大数据时代的选址利器。
近年来，社会经济持续发展，企业不断扩张，连锁店的经营模式得到了更为广泛的应用。如餐饮业的海底捞火锅店、麦当劳、星巴克，服饰业的H&M、Nike、Zara等品牌的迅猛发展，连锁店这种商业模式开始逐渐在市场中占据主导地位。由此为这些连锁品牌带来一个关乎企业发展的核心问题，即连锁店的选址问题。为此，在我的实践中，综合考量投资所在地商场的内部和外部特征，为连锁品牌的投资者进行商业选址的推荐。对大众点评上的海量数据进行分析，并为投资者给出最优化的选址推荐。
第二个实践则是综合运用了计算机视觉相关技术，实现了一种视频的风格迁移方法。
随着手机等智能终端的兴起，许多软件如春笋般发芽成长。从用户的触媒习惯来看，大家投入在短视频上的时间越来越多。艾瑞数据显示，用户单机单日有效使用时长已经从2017年度第一季度的21.1分钟增长到2018第二季度的33.1分钟。短视频行业中，我们也可以看到，抖音、快手等短视频软件异军突起，发展迅猛。短视频行业的火热，与短视频相关的技术自然也是如鱼得水。我所实现的视频风格迁移方法，即拥有针对短视频进行视频风格迁移的能力。用户可以根据喜好，选择某种名画的风格，即可对自己拍摄的短视频进行加工，生成美轮美奂的带有名画风格的短视频。
我在这一实践中，综合运用了多种计算机视觉的相关技术，包括但不限于采用convLSTM来捕捉视频的时序特征、WarpError来计算视频流中相邻帧之间的差值、引入了一种风格迁移模型RecoNet同时结合了InstanceNormalization的方法，来代替传统的BatchNormalization，从而实现对多风格的控制，等等。最终使得这一视频风格迁移方法相较与目前最佳解决方案的效果，在视频稳定性等呈现效果上，有着更优的表现。
通过这两个实践，我都成功地将讲座中老师们所介绍到的人工智能的理论应用到实际，从而让我真切体会到了人工智能对人们生活方式的改变。
2课程收获2-1总述与课程感悟部分不同的是，在课程感悟部分，我重点论述了我在本学期两个月来，从头至尾完整、认真地听过8次讲座后在宏观层面的整体感受。而在这一章节，课程收获中，我将更偏重于将我本学期在讲座中所学习到的领域知识或是让我对整个科技前沿体系的理解有帮助的内容记录下来，形成一个相对完整的脉络。
另外，这一部分对于课程收获的总结，也对我日后时常回顾这8场讲座的精彩内容，保留一个比较细致的记录。
我在此课程中的收获，正如我在课程感悟中所提及的，正是我所感兴趣的人工智能相关的话题，因此，接下来我将从人工智能的发展历程，人工智能的发展现状，以及人工智能的发展前景展开论述，在最后的一个小节中，作为补充，我也来谈谈我自己对人工智能的认识和态度。
2-2人工智能发展历程随着众多核心技术的迅猛发展，已经诞生了半个多世纪的人工智能终于从研究与发现发展到如今的巅峰期。回顾起来，在过去半个多世纪中人工智能经历过黄金时代也曾有过低谷，不过科技的魅力在于历经起起伏伏之后，现在的人工智能已开始深深影响人类社会。
都说人工智能在历史上经历了“三起三落”，那么这三“起”与三“落”到底指代着什么，发生的时间节点与背景优势什么，以下我将按照时间线顺序来记录一下。
人工智能的第一次高峰：在1956年的这次会议之后，人工智能迎来了属于它的第一段高峰。在这段长达十余年的时间里，计算机被广泛应用于数学和自然语言领域，用来解决代数、几何和英语问题。这让很多研究学者看到了机器向人工智能发展的信心。甚至在当时，有很多学者认为：“二十年内，机器将能完成人能做到的一切。”
人工智能第一次低谷： 70年代，人工智能进入了一段痛苦而艰难岁月。由于科研人员在人工智能的研究中对项目难度预估不足，不仅导致与美国国防高级研究计划署的合作计划失败，还让大家对人工智能的前景蒙上了一层阴影。与此同时，社会舆论的压力也开始慢慢压向人工智能这边,导致很多研究经费被转移到了其他项目上。
在当时，人工智能面临的技术瓶颈主要是三个方面，第一,计算机性能不足，导致早期很多程序无法在人工智能领域得到应用；第二，问题的复杂性，早期人工智能程序主要是解决特定的问题，因为特定的问题对象少，复杂性低，可一旦问题上升维度，程序立马就不堪重负了；第三，数据量严重缺失，在当时不可能找到足够大的数据库来支撑程序进行深度学习，这很容易导致机器无法读取足够量的数据进行智能化。
人工智能的崛起：1980年，卡内基梅隆大学为数字设备公司设计了一套名为XCON的“专家系统”。这是一种，采用人工智能程序的系统，可以简单的理解为“知识库+推理机”的组合，XCON是一套具有完整专业知识和经验的计算机智能系统。在这个时期，仅专家系统产业的价值就高达5亿美元。
人工智能第二次低谷：可怜的是，命运的车轮再一次碾过人工智能，让其回到原点。仅仅在维持了7年之后，这个曾经轰动一时的人工智能系统就宣告结束历史进程。到1987年时，苹果和IBM公司生产的台式机性能都超过了Symbolics等厂商生产的通用计算机。从此，专家系统风光不再。
人工智能再次崛起：上世纪九十年代中期开始，随着AI技术尤其是神经网络技术的逐步发展，以及人们对AI开始抱有客观理性的认知，人工智能技术开始进入平稳发展时期。1997年5月11日，IBM的计算机系统“深蓝”战胜了国际象棋世界冠军卡斯帕罗夫，又一次在公众领域引发了现象级的AI话题讨论。这是人工智能发展的一个重要里程。 2016年，alphago在围棋上击败了李世石，再一次向世人揭示了人工智能非凡力量。
2-3人工智能发展现状经历了技术驱动和数据驱动阶段，人工智能现在已经进入场景驱动阶段，深入落地到各个行业之中去解决不同场景的问题。此类行业实践应用也反过来持续优化人工智能的核心算法，形成正向发展的态势。
老师们在讲座中所提及的人工智能的主要应用领域主要涵盖了以下几个方面，包括制造、家居、金融、零售、交通、安防、医疗、物流、教育等等。不难看出，人工智能在当前的应用已经十分广泛，可以说基本覆盖到了人们日常生活的方方面面。
家居智能家居是老师在讲座中提到的一个常见的人工智能应用之一。
智能家居主要是基于物联网技术，通过智能硬件、软件系统、云计算平台构成一套完整的家居生态圈。用户可以进行远程控制设备，设备间可以互联互通，并进行自我学习等，来整体优化家居环境的安全性、节能性、便捷性等。值得一提的是，近两年随着智能语音技术的发展，智能音箱成为一个爆发点。小米、天猫、Rokid等企业纷纷推出自身的智能音箱，不仅成功打开家居市场，也为未来更多的智能家居用品培养了用户习惯。但目前家居市场智能产品种类繁杂，如何打通这些产品之间的沟通壁垒，以及建立安全可靠的智能家居服务环境，是该行业下一步的发力点。
金融正如我在自我实践中所接触的项目一样，人工智能可以在商业、金融领域为人们提供可靠的数据保障。
人工智能在金融领域的应用主要包括：身份识别、大数据风控、智能投顾、智能客服、金融云等，该行业也是人工智能渗透最早、最全面的行业。未来人工智能也将持续带动金融行业的智能应用升级和效率提升。例如第四范式开发的一套AI系统，不仅可以精确判断一个客户的资产配置，做清晰的风险评估，以及智能推荐产品给客户，将转化率提升65%。很多金融行业的应用，都可以作为人工智能在其他行业落地的典型案例。
交通最近一段时间，我效力于王静远老师的实验室，主要负责配合实验室的学长，完成一些基本的开发工作，王老师的实验室主要负责与数据挖掘有关领域，解决交通与医疗相关问题。在交通方面，主要是智慧交通，对车辆做行车轨迹恢复以及行程时长估计。而在医疗方面则是与医院展开合作，对孕妇可能存在的潜在风险进行评估，从而保证孕妇妊娠过程的安全。
智能交通系统是通信、信息和控制技术在交通系统中集成应用的产物。智能交通应用最广泛的地区是日本，其次是美国、欧洲等地区。目前，我国在智能交通方面的应用主要是通过对交通中的车辆流量、行车速度进行采集和分析，可以对交通进行实施监控和调度，有效提高通行能力、简化交通管理、降低环境污染等。
医疗目前，在垂直领域的图像算法和自然语言处理技术已可基本满足医疗行业的需求，市场上出现了众多技术服务商，例如提供智能医学影像技术的德尚韵兴，研发人工智能细胞识别医学诊断系统的智微信科，提供智能辅助诊断服务平台的若水医疗，统计及处理医疗数据的易通天下等。尽管智能医疗在辅助诊疗、疾病预测、医疗影像辅助诊断、药物开发等方面发挥重要作用，但由于各医院之间医学影像数据、电子病历等不流通，导致企业与医院之间合作不透明等问题，使得技术发展与数据供给之间存在矛盾。
2-4人工智能发展前景对待人工智能当下火爆的市场形势，要判断和分析其在未来的发展，还需要冷静、客观。
在影响就业之前，人工智能将会对雇主产生影响。长期来看,人工智能不会摧毁就业市场——至少在2018年是不可能的。但是企业面临着一个重大挑战：只有汇集了来自不同种类的数据以及不同学科的团队成员时，人工智能才能发挥出最大的效果。同时，它还需要借助相应的结构和技能来实现人机协作。但是大多数企业都把数据存放在联合企业和团队的数据库里。很少有企业开始为员工提供他们所需要的基本人工智能技能。普通的企业还没有准备好满足人工智能的需求。
人工智能将融入现实，开始发挥其效用。它可能不会成为媒体的头条新闻,但人工智能现在已经准备好了，能够自动完成日益复杂的流程，识别出能够创造商业价值的趋势，并提供具有前瞻性的情报。
这带来的结果是,人们的工作量减少,做出的战略决策也变得更好了：员工的工作也比以前更好了。但是,由于传统的投资回报率（ROI）策略可能无法准确地识别出这一价值，企业将需要考虑采取新的指标，以便更好地理解工智能可以为它们做什么。
人工智能将帮助回答有关数据的重大问题。许多针对数据技术和数据集成的投资都未能回答这样的一个重大问题：投资回报率在哪？现在，人工智能正在为这些数据项目提供商业案例，新的工具将会使这些项目的价值凸显出来。
企业不再需要决定“清理数据”——也不应该这样做。他们应该首先从一个业务问题开始来量化人工智能的好处。一旦数据被用来解决一个特定的问题，进一步开发数据驱动的人工智能解决方案就会变得更容易，从而就会形成一个良性循环。问题出在了哪里？一些企业仍然在犹豫要不要建立，或者是没有建立好数据基础。
在未来，人工智能领域的投资将以“AI+行业”的方式展开，预计人工智能应用场景较为成熟且需求强烈的领域，如安防、语音识别、医疗、智慧城市、金融等领域，带来升级转换，提高行业智能化水平，改善企业的盈利能力，预计随着诸如无人驾驶汽车等认知智能技术的加速突破与应用，人工智能市场将加速爆发。
3后记老师们精彩的讲座，为我打开了人工智能世界的大门；通过两个具体案例的实践，让我真切的亲身探索了人工智能这个丰富多彩的世界。我被人工智能给人类社会和当今人们生活方式所带来的改变，深深折服，在惊叹于技术发展的同时，也让我对踏入人工智能行业充满了向往。
但与此同时尽管人工智能作为行业内的新兴热点，随着时间的推移其热度一直有增无减，对其未来的发展，仍应保持理性与客观的态度。因此，对领域内学科技术前沿时刻保持高度的敏锐嗅觉，透过问题的表面现象看到本质，才是这门课带给我最大的思考。
人工智能的未来何去何从，我拭目以待。
《人工智能导论》教学大纲（含课程思政内容）
05
教学内容和课时安排（含课程思政内容）
（一）课程学时分配
（二）课程思政参考内容
（三）课程教学内容与重点难点
第1章人工智能导引
教学目的：了解人工智能的概念、学习人工智能的目的和意义、应用；了解人工智能的分支。
教学内容：人工智能的概念、应用场合；人工智能的分支。
重点难点：重点是了解人工智能的分支，难点是人工智能各个分支之间的关系。
第2章Python基础知识
教学目的：了解Python在不同环境下的安装；熟练使用python的基本编程，包括各种数据结构；掌握第三方模块的安装和使用，文件的读写；掌握NumPy包的熟练使用；掌握Python的绘图基础。
教学内容：编程基础（列表、元组及字典、基本语句；函数）；模块的安装与使用；文件的读写；NumPy的使用；Python的绘图基础。
重点难点：重点是使用Python进行相关的编程，如NumPy的编程，绘图基础等。难点是使用NumPy进行较为复杂的开发与绘图。
第3章机器学习初步
教学目的：了解机器学习的概念、其与人工智能的关系、机器学习的分类；了解数据预处理与特征工程，包括数据清洗、数据变化、过滤、特征工程；熟练使用Sklearn包；熟练使用回归分析。掌握聚类的基本原理与常见的聚类算法。
教学内容：机器学习及其工作流程；机器学习的分类；数据预处理与特征工程；Sklearn库的使用；逻辑回归分类和线性回归预测；聚类的原理与K-Means聚类算法。
重点难点：重点是机器学习的流程与Sklearn的实践。难点是聚类算法及其调优。
第4章自然语言处理
教学目的：了解自然语言处理的概念；掌握文本分词与词汇还原的方法；掌握文本分块与词袋模型；熟练使用TF-IDF算法，并据此构建文档类别预测器。
教学内容：自然语言处理的概念；文本分词与词汇还原；文本分块与词袋模型；文档类别预测；语义分析器；主题模型。
重点难点：重点是文本分词及其文档类别判断的方法。难点是语义分析器的理解与实现。
教学目的：了解处理语音信号的方式，可视化处理的过程；掌握处理语音信号的的相关技术；能够独立建立一个英文的语音识别系统。
教学内容：处理语音信号；可视化音频信号；音频信号从时域转换到频域；生成音频信号的方法；提取语音特征；构建语音识别系统。
重点难点：重点是语音特征的提取策略和方法；难点是构建语音识别系统，尤其是适当结合深度学习机制进行语音信号的识别。
第6章计算机视觉
教学目的：了解什么是计算机视觉,掌握安装流行的计算机视觉库—OpenCV。了解利用帧间差分法检测视频中的移动部分。掌握使用色彩空间和背景差分法来跟踪对象,使用CAMShift算法来构建一个目标跟踪器,并学习光流的基本知识。熟悉人脸检测的相关概念,构造一个人脸检测和跟踪器。
教学内容：计算机视觉的概念；OpenCV介绍；视频中移动物体检测方法；目标跟踪器的构建；基于光流的跟踪；Harr级联和积分图；人脸检测与跟踪。
重点难点：重点是熟悉基于OpenCV进行的各种视觉处理方法，为进一步深入视觉学习奠定基础。难点是人脸检测和跟踪，尤其是复杂的场景，如戴口罩情况下。
第7章人工神经网络
教学目的：了解什么是人工神经网络，熟悉如何建立人工神经网络；了解感知器，掌握基于感知器构建一个分类器；掌握单层和多层神经网络；掌握循环神经网路。
教学内容：神经网络的概念；建立和训练人工神经网络；感知器；构建单层人工神经网络和多层人工神经网络；循环人工神经网络；构建光学字符识别引擎。
重点难点：重点是熟悉构建单层、多层以及循环神经网络；难点是神经网络的使用，如利用神经网络来构建一个光学自负识别引擎。
第8章强化学习与深度学习
教学目的：掌握强化学习的概念及其表现；了解深度学习以及卷积神经网络；熟练使用卷积神经网络构建简单的应用。
教学内容：强化学习的概念；深度学习的概念；卷积神经网络；利用卷积神经网络建立图像分类器。
重点难点：重点是深度学习及其使用；难点是利用卷积神经网络进行实际的应用开发，尤其是其可解释性问题是需要学生简单了解的。
第9章区块链
教学目的：了解区块链的基本概念；掌握区块链和人工智能的关系；了解如何利用人工智能技术对区块链进一步优化。
教学内容：区块链概念；人工智能与区块链；在区块链中使用朴素贝叶斯；优化区块链。
重点难点：重点是区块链概念的理解，产生的原因的深入分析；难点是如何充分的利用区块链技术进行多方向（领域）融合的设计与开发，包括在教育领域、知识产权保护等等。
第10章人工智能算法
教学目的：了解人工智能常用的启发式算法；掌握其基本的思想方法；掌握遗传算法、模拟退火算法、蚁群算法等。
教学内容：启发式搜索算法；遗传算法；模拟退火算法；蚁群算法。
重点难点：重点是掌握典型的启发式算法，如遗传算法、模拟退火等；难点是这些算法优化的特定目标和适用的场景；同时，也希望同学能够探索一些其它的启发式算法，并进一步比较分析，这也是本章的另一个难点。
06
课程教学方法
本课程教学采用以多媒体教学为主，以板书为辅的教学方式，并加强图示教学和实例教学以增强学生的学习兴趣并加深学生对重点知识以及理论与实际工程问题相结合的理解。
1、教师课堂讲授：基本概念和核心知识内容的传授，由主讲教师完成。
2、课堂讨论：要求学生以小组的形式对所学的知识点进行现场讨论。
3、MOOC：对课程的一些知识点采用国内外知名专家学者的视频公开课进行知识的传授。
4、SPOC：对于授课难点问题尤其是实际运用的问题时，采用翻转课堂的形式积极引导学生的参与意识，提高学生的创新能力。
5、学生/项目组讲授/表达：学生小组讨论，对于常识性的知识点的表达，提高学生的沟通和表达能力。
07
课程学习资源
1.教材
《人工智能导论（Python版）微课视频版》
ISBN：978-7-302-57239-8
作者：姜春茂
定价：49元
｜学习资源｜
500分钟视频、PPT课件、示例源码、习题答案。返回搜狐，查看更多