人工智能实验室
人工智能实验室
ArtificialIntelligenceLaboratory
一、概 况
●发展历程
南京大学计算机科学系人工智能实验室是2003年在人工智能教研室、自然语言处理教研室、数据库技术教研室、计算机应用研究所和原计算机应用实验室一部分的基础上，成立南京大学计算机科学与技术系人工智能实验室。
人工智能实验室是以科研为主导的实验室。目前面积近400平方米、设备价值约800万元。在读硕士和博士研究生、博士后约80人，承担多项国家级科研项目。
●风采综述
人工智能实验室从建立之初就非常注重把握科研方向。人工智能理论及其应用是人工智能实验室的传统基础研究方向，其中包括专家系统、机器翻译等。近年兴起的机器学习、数据挖掘和数据库技术是实验室的又一重要研究方向。实验室将科研活动与国家的社会、经济发展紧密结合，承担了“七五”、“八五”、“九五”、至“十五”期间的重要研究课题，包括国家“863”计划、国家“973”计划、国家自然科学基金、国家科技攻关计划等几十项科研项目，取得了多项研究成果，荣获了包括国家科技进步一、二、三等奖、国务院国防工办科技一等奖、国家教委科技进步一、二、三等奖、电子部科技进步特等奖、江苏省科技进步一、二等奖等多种科技奖励，在国内外重要刊物上发表学术论文200篇以上，并申请发明专利5项。多年来，人工智能实验室不仅科研上取得了丰硕的成果，而且培养了大批国家急需的高水平人才。
●发展目标
实验室根据“创建世界一流大学”的要求，在科学研究和人才培养上向世界高水平大学看齐。提高实验室管理水平，建立良好的科研和教学环境，为科学研究与技术创新做出贡献。
●实验室主任与主要骨干
人工智能是一只老中青相结合的队伍。目前，实验室有陈世福教授、陈兆乾教授教授、周志华教授和陈家骏教授等学术带头人；还有一批中青年学术骨干，包括高阳副教授、柏文阳副教授等，技术管理人员谢琪高级工程师。计算机学科是迅速发展的学科，从人工智能、机器学习、自然语言处理、数据库、数据挖掘以及图象处理和识别技术，人工智能实验室的学术骨干始终走在学科发展前沿，大家辛勤耕耘，不断进取。尤其可喜的是中青年学术骨干在老一辈的悉心培养下，能勇挑重担，承担国家前沿科研项目，取得了可喜成果。
实验室主任陈家骏教授，1998年在南京大学获博士学位。现为南京大学计算机科学与技术系教授，博导。主要从事自然语言处理和软件工程领域的研究工作。在自然语言处理领域，主要从事机器翻译的研究工作，参加了六轮863资助项目《日汉机器翻译系统》的研制，其中主持了863重点项目《Internet在线日汉机器翻译系统》、《基于多策略的日汉/汉日Internet机器翻译系统》以及《面向奥运的多语言信息服务系统》中的“受限领域日汉机器翻译技术研究”的研制，研究成果达到国际领先水平。在软件工程领域，主要从事CASE和面向对象程序设计的研究工作，参加了多个科研项目的研制，其中包括：江苏省八·五科技攻关项目《计算机辅助软件工程的研究与开发》的研制；国家九·五攻关和自然科学基金项目《Z的面向对象扩充和程序转换系统的研究》；国家八·五攻关和国家自然科学基金项目《软件工程理论、技术和工具的研究》以及863及国家自然科学基金项目《软件工程中的形式化方法和面向对象技术研究》等。《日汉机器翻译系统》1991年9月获国家七·五科技攻关重大成果奖；1991年10月获国家电子工业部七·五科技攻关重大成果奖；1991年11月获国家教委科技进步二等奖；1997年10月获得江苏省科技进步三等奖。《计算机辅助软件工程的研究与开发》1996年9月获得江苏省科技进步二等奖。《软件工程理论、技术和工具的研究》1999年1月获教育部科技进步二等奖。《软件工程中的形式化方法和面向对象技术研究》2002年获教育部科技进步二等奖。发表论文40多篇。
实验室骨干周志华教授。2000年在南京大学获博士学位。现为南京大学计算机科学与技术系教授，博导，自1994年国家杰出青年科学基金启动以来，信息科学部最年轻的获得者，全国优秀博士学位论文奖获得者。澳大利亚Deakin大学名誉研究员（HonoraryFellow）。主要从事机器学习、数据挖掘、模式识别、信息检索、神经计算、进化计算等领域的研究工作。已在包括《ArtificialIntelligence》、《IEEETrans.KnowledgeandDataEngineering》、《IEEETrans.InformationTechnologyinBiomedicine》、《IEEETrans.NeuralNetworks》、《AICommunications》、《ArtificialIntelligenceinMedicine》、《PatternRecognition》等国际刊物和IJCAI、ECML等国际会议上发表论文40余篇，被SCI、EI、ISTP检索52篇次，其中SCI检索17篇，申请国家发明专利5项。2000年以来发表的论文被国外学者多次引用（仅SCI他引就有近20篇次，单篇最高SCI他引4篇次），引用者包括美国Yale大学、UIUC、英国Aberdeen大学、Birmingham大学、Sheffield大学、国立澳大利亚大学、以色列理工大学、印度理工学院、国立新加坡大学、国立台湾大学等研究机构的学者，引用刊物包括《IEEETrans.PatternAnalysisandMachineIntelligence》、《IEEETrans.NeuralNetworks》等。担任国际刊物《KnowledgeandInformationSystems》（Springer出版社）副编辑（AssociateEditor）、《ArtificialIntelligenceinMedicine》（Elsevier出版社）和《InternationalJournalofDataWarehousingandMining》（IdeaGroup出版社）编委。包括权威刊物ArtificialIntelligence和多种IEEETransactions在内的20余家国际刊物审稿专家，荷兰国家科学基金、香港研究资助局等境外科学基金机构的课题评议专家，包括IEEEICDM在内的10余个国际会议的程序委员。现任中国计算机学会人工智能与模式识别专业委员会副主任、中国人工智能学会理事、机器学习专业委员会秘书长、Rough集与软计算专业委员会副主任。获国家杰出青年科学基金（2003）、全国优秀博士学位论文奖（2003）、霍英东基金（2004）、中创软件人才奖（2002）、江苏省优秀硕士学位论文奖（2001）、微软学者奖（1999）等。
二、人才培养
●研究生
实验室建立以来，已培养硕士研究生100多名，博士研究生近20人名，出站博士后3名；目前在读硕士研究生六十多名，博士研究生10多名，在站博士后2名。
●本科生
实验室注重优秀本科生科研能力培养，从三、四年级开始安排参加一些科研工作，以逐步提高他们的科研素养，培养严谨的治学态度。
三、科学研究
●研究方向
主要研究方向包括
n人工智能理论
n机器学习
n自然语言处理
n数据库理论
n数据挖掘
n模式识别
●主要成果
实验室自建立以来，先后承担国家“863”计划、国家科技攻关计划、攀登计划、国家“973”计划、国家自然科学基金、江苏省攻关计划、高新技术和省基金等多项研究课题，研究成果获多项国家级、省部级科技奖励。此外，与政府、电力等部门和企业合作开发应用系统和产品。
四、国际、国内合作与交流
●国际
实验室建立以来，每年都有境家前来访问、讲学和进修，也有人员派出访问、进修。国际合作对象涉及美国、新加坡、德国、加拿大、澳大利亚、英国、日本和香港等国家和地区。
●国内
实验室先后和银河公司、中国人民解放军八一医院、中科院、北京大学、南京航空航天大学等单位合作共同承担国家和省部级项目。为兄弟院校如扬州大学等培养进修教师。
五、主要仪器设备
实验室主要仪器设备包括微型计算机、服务器等共计800万元。5万元以上仪器设备：
仪器名称
型号
国别
价格(万元)
起用年份
服务器
HPLH3
美国
5.2
2002.2
服务器
HPLH3
美国
5.2
2002.2
六、基本信息一览
实验室类型
隶属管理层次
地 点
房屋使用面积
固定资产总值
科研
计算机科学系
蒙民伟楼
400m2
800万元
师资队伍：
目前实验室在职人员14人，其中教授3人，副教授3人，高级工程师3人。
主要科研项目：
在研项目名称
项目来源
起止时间
负责人
机器学习新技术的研究
国家杰出青年科学基金
2004.1-2007.12
周志华
多示例学习及其应用的研究
国家自然科学基金
2002.1-2004.12
周志华
适用于稳定基学习器的集成学习算法的研究
教育部优秀青年教师资助计划
2004.1-2004.12
周志华
机器学习中集成学习技术的研究
霍英东青年教师基金
2004.1-2006.12
周志华
基于Agent的网构软件模型、方法与可信性计算框架研究
国家重点研究发展规划973项目
2003-2007
吕建（周志华、高阳承担其中子课题）
多Agent信念修正理论研究
国家自然科学基金
2002.1-2004.12
高 阳
强化学习中的神经网络模型及其应用研究
江苏省创新人才项目
2004.1-2005.12
高 阳
神经网络集成技术的研究及其应用
国家自然科学基金
2003.1-2005.12
陈兆乾
面向奥运的多语言信息服务系统
国家863项目
2002.5-2004.12
陈家骏
人脸识别系统
江苏省十.五攻关项目
2002.1-2004.12
陈世福
周志华
面向集成应用软件的工作流技术的研究与应用
江苏省高新技术
2003.4-2005.12
陈家骏
陈世福
粗糙神经网络模型和书及其应用的研究
江苏省自然科学基金
2003-2005
李 宁
智能电脑刺绣变成系统
加拿大国际合作项目
2003-2005
陈世福
谢 琪
与我们联系：
E-mail：chenjj@nju.edu.cn
电话：（025）83593672 邮编：210093
本实验室介绍撰稿人：高阳 周志华 陈家骏
ArtificialIntelligenceLaboratory(AIL)
TheArtificialIntelligenceLaboratory(AIL)ofNanjingUniversitywasfoundedin2003.TheresearchstaffcamefromtheexistingteachingandresearchgroupsofArtificialIntelligence,NaturalLanguageProcessingandDatabaseTechnology.SomeofthestaffarealsothemembersoftheComputerApplicationInstituteandComputerApplicationLaboratory.
ThemainresearchfieldsoftheLabincludeexpertsystems,machinelearning,machinetranslation,datamininganddatabasetechnology.TheprojectsundertakenwerefundedbytheNational7th,8th,9thand10thplans,theNationalHigh-techResearchandDevelopmentProgram(863program),theNationalKeyProjectsforBasicResearchesofChina(973-project),theNationalNaturalScienceFoundationofChina(NSFC)andothernationalscienceandtechnologyprojects.TheLabalsocooperatedwithenterpriseanddevelopedsomeproductsforsolvingrealproblems.Basedonthecreativeworkdone,theLabhasbeenawardedalotofprizesincludingtheNationalScienceandTechnologyAdvancementPrizes,NationalMinistryofEducationScienceandTechnologyPrize,theScienceandTechnologyAdvancementPrizeofJiangsuProvinceandetc.Thelabhaspublishedmorethan200papersinthekeyinternationalanddomesticimportantjournalsandsubmittedapplicationsfor5inventionpatents.
Presently,theLabhasabuilding-areaofnearly400m2andisequippedwithmorethan8millionYuan(RMB)worthofequipments.Thelaboratorystaffiscomposedofresearchexpertsinanoptimizedagechain.ThestaffmembersincludeProf.ChenShifu,Prof.ChenZhaoqian，Prof.ZhouZhihua,Prof.ChenJiajun,AssociateProf.GaoYang,AssociateProf.BaiWenyang,etc.About80studentsarenowstudyinganddoingtheirresearchworkfortheirmaster,doctorateorpostdoctorateprograms.Everyyear,theLabisalsovisitedbyscholarsfromhomeandoverseas.
人工智能实验实训整体解决方案
人工智能实验室建设方案
联创教育人工智能实验室建设方案
联创教育针对人工智能专业退出了人工智能实验实训室建设整体解决方案，包括：人工智能一体机、人工智能实验实训平台、人工智能实验实训课程、行业数据源，结合实验、实训和实战课程体系，系统性地解决人工智能实验教学的痛点问题。
【系统架构】人工智能实验教学平台
大数据、云计算、人工智能专业方向，与传统编程类专业方向对实验实训平台的需求是截然不同的，这些方向的实验实训教学需要为学生提供集群化的计算机环境。传统的计算机机房、最新的私有云机房、常见的云桌面都是没法支撑大数据和云计算教学的。联创教育的易优云平台是针对大数据、云计算教学而设计开发的平台，是能够降低成本、提高效率的大数据人工智能实验实训教学平台。软件平台将一体机的计算、存储、网络和GPU资源进行虚拟化，可为每个学生分配一套虚拟服务器集群———至少3台虚拟机组成，集成Hadoop、Spark、Docker、TensorFlow等主流技术框架，可支撑多门人工智能课程开展实验实训教学。
【硬件系统】人工智能一体机
人工智能一体机是一体化设计的软硬件融合产品，是基于华为卓越稳定的硬件平台和企业级的大数据处理架构，结合联创教育强大的教学信息化平台以及在大数据教育领域的经验积累，共同打造的人工智能一体化教学和实验实训平台。对于学校已经建设数据中心或者信息化项目，拥有较多限制的服务器资源的情况。联创教育可以充分利用已有资源进行实验室建设，以充分利用资源。此外，联创教育的人工智能实验实训平台，针对主流品牌服务器都进行了测试和优化，包括浪潮、华为、Dell、联想、曙光等品牌，平台在这些品牌服务器上都可以稳定可靠运行。
【空间设计】实验室空间设计及建成效果
实验室、实训室、创新基地等是实验实训和创新实践教学的载体，联创教育结合本专业的软硬件平台配置、专业教学空间、专业文化特征等，提供创新实践空间、创新创业空间、实验实训空间、智慧教学空间、专业人文环境等设计和建设，致力于打造由内而外、从知识体系到物理空间、从学生学习到教学管理都具有特色的专业教学环境。
【软件系统】人工智能实验教学平台
易优云可以针对人工智能专业的实验实训教学提供混合云架构，基于虚拟化的服务器集群可以支持各类在linux、windows等平台下开展的实验教学，通过容器技术提供GPU加速功能和各类主流人工智能计算框架。易优云平台完善的虚拟化、容器管理功能，可以根据课程需要，为每个课程、每个实验、每个学生分配一套虚拟服务器集群———包括多台台虚拟机、多个容器，集成Hadoop、Spark、Docker、TensorFlow等主流技术框架，为课程提供良好的支撑。
易优云是一个开放式的课程平台，除了联创教育的课程体系之外，老师可自主开发在线课程，支持Word、PPT、PDF、视频等常见课件直接转换成在线课程，从而让老师很方便的将专业基础课程迁移到平台上，便于构建完整的大数据、人工智能专业课程体系。平台支持自主创建实验环境模板，可以为任何基于PC的实验提供替代方案。
平台集成虚拟化模版功能，内置Hadoop、Spark、TensorFlow、Caffe等主流的大数据和人工智能学习开发环境，可通过模版快速批量地为学生准备好实验实训环境。支持多门大数据课程同时开展实验实训，平台可按课程自动准备各个课程所需虚拟机，学生登录系统后可直接开展实验实训。
【软件系统】人工智能项目实训平台
易优云项目实训平台可支撑学校开展实训周、小学期、综合课程设计等形式的项目实训教学活动，支持小组分工协作，可为每个项目小组按需分配一套虚拟服务器集群，集成Hadoop、HDFS、HBase、Hive、Spark等主流的大数据和人工智能环境，可支撑多个大数据和人工智能项目实训题目同时开展。飞瑞敖人工智能实训室建设方案
1.1政策背景
3月13日，《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》正式发布。纲要全文共十九篇六十五章，其中含有“智能”、“智慧”的相关表述高达58处。围绕国家核心技术突破、社会经济发展、素质教育人才培养三个方面，人工智能均是重点领域。
对于高职教育而言，“双高计划”、“十四五”和综合改革这三大核心命题也必然呈现历史性交汇，主题话语的内涵指向也有所不同，但无疑专业学科建设依然是重要内容，这是由其作为资源配置的基本单元的地位所决定的。可以想象，在整个高职教育运行范式中，包括资源配置方式、绩效评价体系及深层次的院校地位形成机制等尚未得到根本扭转的前提之下，以学科建设为核心的发展规划仍然是教育建设的根本所在。所以，面对新的形势和要求，高职院校“十四五”规划的学科规划将如何“螺蛳壳里做道场”，尽力做出新意、创意并有指导意义，迫切需要提前思考和谋划的事情。展望未来，为深入学习贯彻落实党的十九大精神及提前为高职院校的“十四五”规划建设储力，紧密围绕建设“五位一体”总布局，按照"四个全面"战略部署，以农业中心工作和区域经济社会发展的需求为导向，以"立德树人"为根本，以建设一流高职院校为目标，加强加快加大我学院的专业建设力度，建设人工智能等相关专业，已是学院寻求教育突破的建设所需。
1.2建设目标
项目遵循高职教育规律和应用型人才培养规律，将人工智能应用技术融入到专业的教学当中，培养出专业特色鲜明、专业技术突出的AIoT高级应用型人才，响应中共中央、国务院《新一代人工智能发展规划》、《粤港澳大湾区发展规划纲要》等规划内容，为广东全面创新改革试验与自主创新示范区的建设提供助力。
建设市级的AIoT科技创新实训基地
培养专职的AIoT师资队伍
建立校企联动的创业就业指导机制
建立创新型的人才培养体系
建立校企协同的专业教学体系和创新实训体系
建立创新型、综合型的课程资源案例库
建立相应的专业人才实践实习基地
校企联合开展科研和申报重点工程项目
建立完整的赛事资源库，全方位进行赛事指导
2.1 AIoTLab人工智能教学平台
AIoTLab结构部分由钢架结构设计而成，由人工智能计算单元主板、工业级数字舵机云台、工业级免驱USB摄像头、物联网WiFi通信节点、物联网Zigbee通信节点、传感器、工业级可调速传送系统、工业级电源供电系统、分拣系统、仿真汽车、仿真动物等单元组成，整体造型美观，适合直接放在实验台上进行操作学习，可同时满足2至5人进行相关实验。配套完善的实验资源，方便完成人工智能、物联网相关课程实验。
AIoTLab需用户自行配套电脑，用户在电脑上使用Python语言或者C语言进行程序开发，实现人工智能基础学习、人工智能算法学习、人工智能案例学习、物联网通信学习、物联网嵌入式学习、传感器课程学习。
图：AIoTLab开发平台
2.1.2产品创新点人工智能场景化学习
分拣系统与实际应用相结合
工业级数字舵机云台
磁吸式
设备控制安全可靠
2.1.3主要模块介绍人工智能计算单元主板
工业级数字舵机云台
工业级可调速传送系统
物联网嵌入式节点
传感器及控制模块
2.1.4主要使用到软件介绍本产品使用到的软件有Tensorflow、Pytorch、OpenCV、Jupyterlab、Keil、IAR等软件。
2.1.5部分人工智能案例案例一：人脸识别
案例二：模型检测
案例三：颜色积木追踪
案例四：云台追踪ArUco标记
案例五：手写数字识别
2.2AI智能家居开发系统
2.2.1系统介绍
AI智能家居开发系统的设计主要面向物联网及人工智能教育，满足新课程标准和创新素质培养需求，融合算法编程、物联网、智能识别和大数据应用技术，构建AI+STEAM、AI+创客教育、AI+科学素养、AI+实践能力等创新教育模式。
图：AI智能家居开发系统
作为物联网与人工智能技术在智能家居领域中应用的集中体现，系统支持广泛的应用开发语言进行程序设计，支持包括Python、APPInventor等多种语言，并提供配套教材、教具学具、互动资源等理论及实训课件供师生教学及实验实训。
图：AI智能家居开发系统
如图所示，AI智能家居开发系统由情景应用系统及4个实验区组成。
情景应用系统配备了智能灯光控制系统、智能窗帘控制系统、智能家电控制系统、环境监测系统、智能安防系统、智能门禁系统等功能系统。
实验区则内嵌一台工作站，并配有多个传感器、控制器节点，各节点通磁吸方式与核心板连接，可通过Python等开发语言实现对AI智能家居开发系的控制或设计。每个实验区可容纳3～4名学生，整套AI智能家居开发系统可同时支持12～16名学生进行课程实验。
2.3云计算管理系统建设云计算管理系统是人工智能实训室的底层资源管理系统；采用Docker和kubernetes技术，实现了硬件资源集中调度和管理，为整个人工智能实训室提供虚拟资源支撑。
2.3.1云计算管理系统的特点1.教学应用商店：容器云教学应用商店、服务一键升级/回滚、教学应用灰度发布、教学应用版本管理、教学应用快速上架、应用架构视图直观展示；2.容器服务管理：多种容器调度策略、多主机容器网络、容器自动扩展、健康检查和负载均衡、Ceph/NFS/GlusterFS容器存储；3.快速部署配置：离线包安装、镜像安装多种选择、私有教学镜像库管理、容器云教学应用商店管理、丰富的compose文件格式、RESTfulAPI接口支持；4.高效系统运维：系统高可用、容器生命周期管理、日志审计和系统监控、容器控制台访问。
2.3.2云计算管理系统功能框架及介绍2.3.2.1容器云管理系统技术框架
容器云管理系统，由底层Docker引擎和kubernetes编排工具共同组成，主要实现应用部署、维护、扩展机制等功能，能方便地管理跨机器运行容器化的应用。
2.3.2.2容器云管理系统功能介绍
1.教学应用商店
2.友好图形化界面管理
3.多环境管理
4.容器持久存储
5.容器网络模式
6.容器可扩展性
7.容器负载均衡与调度
8.API接口支持
9.系统高可用
2.4人工智能教学实训系统建设2.4.1人工智能实验管理系统人工智能实训室共包含3个角色，分别是教师、学生和管理员。2.4.1.1教师端功能介绍1.登录：在浏览器打开登录界面，输入用户名和密码进行登录。2.个人中心：包含最近更新的课程、算法库、案例库、数据库、帮助中心。
3.实验室：包含实验列表、新建实验、实验画布、切换实验、查看实验手册、选择数据源、选择算法、算法说明、算法配置、运行并调试算法、结果展示、查看运行历史。4.算法库：包含算法总览、算法列表、算法详细说明、新算法上传。
5.案例库：包含案例库列表、案例库详细介绍、引入案例算法、算法转化案例。6.数据库：包含默认数据、我的数据。
7.实验文档：包含创建实验文档、预览文档。8.创建课程与管理课程：包含导入共享课程、自主创建课程9.班级管理：包含管理班级人员、查看实验结果。
2.4.1.2学生端功能介绍1.个人中心：包含我的课程、算法库、案例库、数据库、帮助中心。
2.我的课程：包含课程列表、课程详情（课程图片、课程名称、授课教师姓名、班级人数、上课时间段、课时列表、课程简介、课程大纲、同班同学、课程完成度、课程章节数量和课程实验数据）等。
3.实验成绩：包含课程名称、实验名称、提交时间、成绩、查看成绩等。
4.实验室：包含实验列表、创建实验、实验画布介绍、切换实验、查看实验手册、选择数据源、选择算法、算法说明、算法配置、运行并调试算法、实验结果展示、查看运行历史。
5.算法库：包含算法总览、算法列表、算法详细说明.
6.案例库：包含项目背景、数据集介绍、算法界面操作介绍、数据加载及预处理、统计分析、案例核心思路、结果分析和评估。
7.数据库：数据分为2类3级，2类包含默认数据和我的数据。
2.4.1.3管理员端功能介绍
1.个人中心：包括各个模块的快速入口、算法库和数据库。
2.AI工程平台/容器云管理：可对监控的大数据资源进行数据信息展示。
3.组织架构管理：包含新增院系、新增专业、编辑院系、编辑专业、删除院系、删除专业等。
4.班级管理：包含院系名称、专业名称、班级名称、人数等。图形界面如下：
5.用户管理：包含成员列表和新增用户：包含角色名称、角色功能描述和人数。
6.课程设置：包含新增分类、编辑分类、删除分类、新增学科、编辑学科和删除学科等。
7.算法管理：显示算法分类、算法名称、上传时间等信息。包含数据预处理、特征工程、统计分析、机器学习、自然语言处理、脚本工具、深度学习和垂直应用领域。
8.数据管理：提供6项信息，包含分类名称、分组名称、数据名称、数据大小、数据字段和数据条数，默认预览前100条；提供5项操作，包含增加分组、编辑分组名称、编辑数据名称、删除数据和上传数据。
2.4.2AI机器学习训练系统建设AI机器学习训练系统又称“人工智能BDAP分析平台”，它基于Hadoop、Spark并行框架，使用了批处理、工作流引擎、MongoDB数据库存储等多项相关技术。多种算法经过功能测试性能对比证明，平台具有较高的处理性能和一定的可靠性，并且通过调度流引擎可以连续按设定条件完成多个任务。平台开发框架主要分为3层：UI层、基础平台层、应用存储层。平台实现了前后端代码分离开发，减小了前后端之间的依赖程度，使开发变的独立。平台功能全面，涵盖了多种数据预处理、数据挖掘、社会网络、文本处理等算法模块，并且利用工作流机制，可以将每一步数据处理操作连接成为一条工作流，保存后，可以定时或随时调度。平台的数据交换功能实现了HDFS和多种数据存储工具之间的数据导入和导出功能。数据挖掘功能涵盖了多种ETL数据预处理、分类、聚类关联规则算法，适用于多种行业领域中数据的处理和分析，并为数据处理的结果提供了多种展示方式。
2.4.2.3系统主要功能介绍
1、数据和元数据说明
以ETL中的生成元数据和数据类型检查两个组件为例，对数据和元数据进行说明。
2、数据交换系统模块
数据交换是指将传统的数据仓库中的数据直接导入分布式文件系统（HDFS）以及将处理结果从HDFS导出到数据仓库的过程。其主要目的是方便用户在数据仓库与分布式文件系统之间传输数据，使得数据仓库中的数据可以被PDM中的算法所使用，并可以将处理结果导回数据仓库中存储。其处理的主要对象就是数据仓库中各类业务数据。数据库目前支持MySQL和Oracle两种类型。
3、数据挖掘系统模块
数据挖掘是本系统最大的功能模块，它包括并行数据挖掘的核心操作。该模块提供了多种ETL组件和数据建模组件，提供流程驱动的使用方式，提供按业务应用或自定义类别的流程管理方式，便于用户进行完整业务的合理切分。
2.4.3AI深度学习训练系统建设
AI深度学习训练系统是一款深度学习计算服务平台。通过整合高性能计算、云计算、大数据、人工智能等多学科的关键技术，提供从训练到推理的一站式人工智能云计算应用服务解决方案，能够帮助用户快速构建人工智能研发服务环境，大幅降低人工智能准入门槛，提升人工智能研发效率。
2.4.3.1系统架构
AI深度学习平台是由服务器、网络与数据库为基础，使用Docker为容器构建起底层结构，使用TensorFlow、Pytorch等主流框架作为计算框架，并采用AlexFCN、AlexNet、FasterRCNN-VGG16、FasterRCNN-ZF、Inception-V1等共计15种神经网络算法，为用户提供高效、低错误率的实验环境。
AI深度学习计算服务平台集成图像分类、目标检测等多个基础应用场景，提供从数据集管理、模型管理、模型训练到模型输出的全流程AI计算服务，即使是初学用户，无需编程也可获得强大的人工智能服务能力。
2.4.3.2系统实训功能
AI深度学习训练系统具有可即用、更轻快、高精度三大特征。目前已经开放图像分类、目标检测定制训练服务。
1）图片分类
2）目标检测
2.4.3.3神经网络应用
本平台采用TensorFlow框架的各类神经网络算法来参与到模型从创建到训练的整个过程。
1）图片识别
2）目标检测
2.5人工智能实验课程系统人工智能实验管理课程包库是提供的若干个典型的人工智能技术实验资源，提供实验指导手册、实验数据源、实验过程中所需的大数据分析软件、实验参考示例代码和运行结果。学生可以在实验资源包的基础上完成仿真应用实验，完成创新创业实验和模拟大赛环境等相应的实验实训环节。
1.人工智能实验可以满足教学的同时兼顾GPU深度学习的科研需求；
2.实验都是基于python语言实现；
3.每个实验都包含实验手册、实验环境；
4.每个实验都提供实验手册，每个手册呈现详细的实验流程指导，包括实验描述、实验环境、相关技能、相关知识点、实现效果、实验步骤、参考答案和总结，参照手册即可轻松完成每个实验；
5.提供教学配套题库资源，题库内包括作业题、考试题等。
实验课程库分为：数据分析与预处理模块、机器学习模块、深度学习模块、行业应用案例模块。
2.5.1数据分析与预处理模块数据预处理（datapreprocessing）是指在主要的处理以前对数据进行的一些处理。如对大部分地球物理面积性观测数据在进行转换或增强处理之前，首先将不规则分布的测网经过插值转换为规则网的处理，以利于计算机的运算。另外，对于一些剖面测量数据，如地震资料预处理有垂直叠加、重排、加道头、编辑、重新取样、多路编辑等。
详情联系：020-22883217
人工智能实验室设计建设解决方案
麻省理工学院人工智能实验室
二、人工智能实验室总平面设计
1、总平面设计应符合科学实验工作的要求，规划面积指标应按《科研建筑工程规划面积指标》的规定执行。
2、环境设计应符合当地主管部门的绿化要求，且宜适当提高绿化率。绿化植物品种的选用应有利于净化空气、防止污染。
3、各类公用设施管网应综合布置，并与室外环境设计相结合，做到安全可靠、经济合理、方便使用和维护，并留有发展余地。
4、公用设施用房在总平面中的位置应符合节能和环境保护等要求。变配电室、冷冻站等宜设置在对周围环境干扰最少且靠近使用负荷中心处。当科学实验工作有隔振要求时，应根据其防振距离要求进行布置，在无法保证防振距离时，应采取必要的隔振措施。
5、使用有放射性、爆炸性、毒害性和污染性物质的独立建筑物或构筑物，在总平面中的位置应符合有关安全、防护、疏散、环境保护等规定。
6、住宅不宜建在科学实验区内。当建在同一区域内时，则应相互分隔，另设出入口，并应符合防止污染及干扰的有关规定。
7、各类用房宜集中布置，做到功能分区明确、布局合理、联系方便、互不干扰，且留有发展余地。
8、总平面设计应合理利用基地的原有地形、地貌、地物、水面和空间以及现有的公用设施等。
9、总平面设计应包括各类用房、室外实验场地和道路的平面布置及竖向设计、公用设施管网的综合设计及环境设计等。
来源Google人工智能实验室
三、人工智能实验室环境控制
1、实验室环境条件基本要求
人工智能实验室属于恒温恒湿特别实验室，实验室的标准温度为20℃±2℃，实验室内的相对湿度一般应保持在50－70％。实验室的噪音、防震、防尘、防腐蚀、防磁与屏蔽等方面的环境条件应符合在实验室开展的项目要求及各种仪器设备对环境条件的要求。实验室照明：室内采光应利于人工智能实验室工作的进行，一般的照度在300LX.实验室新风系统：每人新风量>40立方米/小时，才能保证实验室舒适。实验室净化：人工智能实验室存在精密的大型仪器，实验室配备净化空调系统，整体控制实验室净化级别在10000级别，个别仪器对防尘要求更高，实验室净化级别控制在100级。实验室强弱电网线配置：统计设备的额定功率总量，并按照实际额定功率的2倍设置实验室总功率，配备紧急电源及断电保护，确保仪器设备运行安全；对接地系统要求的，需要独立配置接地系统，并满足仪器设备的要求。网线属于弱电系统，按照国标标准要求综合布线。2、实验室安全设计
实验室设置智能门禁控制系统，实验室无关人员未经批准，不得进入实验室。实验室数据安全，设置双人双锁控制，根据需要设置安全锁。实验室配备消防安全设备。实验室按照要求设置逃生通道，确保实验室人员安全。返回搜狐，查看更多
人工智能实验实训整体解决方案
人工智能专业实践课程体系
课程体系概要
人工智能属于交叉学科，涉及计算机、软件、电子、控制、通信、数学、统计学等多个学科。所以在制定专业培养方案时，需要根据学校特色、专业背景来制定课程体系。如果学校在电子、通信、控制等学科有优势，依托这些专业和师资来建设人工智能专业，那么专业课程就应该结合这些优势学科，按照偏硬件的方向来设计；如果学校在计算机、软件、网络等学科有优势，依托这些专业和师资来建设人工智能专业，那么专业课程就应该基于这些优势，按照偏软件的方向来设计。如下图所示，我们推荐人工智能按照两种思路来设计专业课程体系。当然，不同学校的情况可能完全不同，可能出现在理学、管理学等其他学科方向的基础上开设人工智能专业，那就需要按照实际情况来设计课程体系。联创教育具有专家团队，可以协助高校制定专业课程体系。
人工智能专业（软件方向）课程体系
人工智能专业（硬件方向）课程体系
联创教育AI课程资源
联创教育具有专业的课程开发团队，可以为高校提供人工智能实验实训课程及配套资源。针对专业基础课、专业核心课、实训课，联创教育开发了不同的课程内容。
▶ 核心技术课程：配合专业基础课程和专业核心课程的实验教学，为理论教学提供实验支撑，让学生通过实验充分理解理论知识，为后期的学习打好基础。 ▶ 综合实训课程：配合课程设计、专业综合实训课程的实验实训教学，为学生提供项目案例背景、实验实训环境、课程资源，在接近真实的环境中学习人工智能技术的实际应用。 ▶ 实战课程：考虑到不同专业教学的需求不同，我们还开发了综合实战课程。实战课程比综合实训课程更加接近真实行业应用，每门课程都是从项目背景分析出发，包括设计解决方案，搭建系统，设计算法和最终实现等环节。每门课都是一个完整的商业案例。 核心专业课程包括： 1. 基础知识：Linux基础、Linux运维技术、MySQL基础。 2. 编程语言：Java程序设计、Python程序设计、Struts基础、Spring基础、Hibernate基础。 3. 机器学习：机器学习基础、机器学习实战、基于Python的数据分析与挖掘。 4. 深度学习：深度学习基础、深度学习实战 5. 数据挖掘：非关系型数据库技术、Hadoop核心技术与应用、Mahout数据处理与算法分析、Spark大数据处理与优化、Storm实时流数据处理技术、KVM虚拟化技术、数据可视化技术。 6. 主流框架：OpenStack部署与应用实践、TensorFlow基础与应用、Caffe基础与应用。 7、 应用方向： OpenCV计算机视觉技术与应用、图像处理技术与深度学习应用、语音识别技术与深度学习应用、词向量的深度学习及应用、智能机器人技术与应用、无人驾驶技术与实践等。
人工智能专业实验室解决方案
目 录
CONTENT
一、建设背景
二、建设目标
三、建设内容
基础教学1）实验课程支撑体系
2）实验实训支撑平台
2. 行业实训1）人工智能应用实践 ① 实践课程体系 ② 教学支撑平台2）智能机器人应用实践 ① 实践课程体系 ② 教学支撑平台
3. 实验室效果图四、建设清单一、建设背景人工智能正成为新一轮产业变革的核心驱动力，推动经济社会各领域从数字化、网络化向智能化加速跃升，人工智能已经成为提升国家竞争力、维护国家安全的重大战略。国家陆续出台了《“互联网+”人工智能三年行动实施方案》、《国务院关于印发新一代人工智能发展规划的通知》、《促进新一代人工智能产业发展三年行动计划（2022-2022年）》等一系列人工智能产业发展政策，着力构筑人工智能先发优势，加快建设创新型国家和世界科技强国。新一代人工智能落地和产业发展持续提速，带来投资新机遇，对人工智能、等相关专业人才的需求也急剧增长。根据人社部测算，我国人工智能人才目前缺口超过500万，国内的供求比例为1：10，供需比例严重失衡。不断加强人工智能、大数据、物联网人才培养，补齐人才短板，是国家教育的当务之急。
高校人工智能专业人才的培养还处在初级阶段，没有成熟的经验可以借鉴，学校也面临师资缺乏、实践条件不具备等突出问题，因此构建专业性强、通用性强、高可用、高可扩展、课程和实验资源丰富的人工智能实验室，全方位支撑人工智能相关专业教学、实验、考核及科研活动是目前学校在人工智能人才培养角度要解决的重要问题。
二、建设目标1.满足基础教学实验需求，可有效支撑人工智能基础课、专业核心课、选修课的实验教学。2.满足行业实训的教学需求，可有效支撑人工智能应用实践、智能驾驶应用实践、智能机器人应用实践、5G边缘计算应用实践3.满足人工智能典型应用示范的需求，为人工智能认知教育和互动体验提供示范空间。三、建设内容1.基础教学1）实验课程支撑体系序号课程名称课程章节实验项目1人工智能导论人工智能概述1.人工智能的起源2.人工智能的定义
3.实现人工智能的方法
4.人工智能的进展
搜索技术1.搜索问题与技术2.启发式搜索算法
3.盲目搜索算法
4.AlphaBeta剪枝算法
5.MinMax算法
群体智能算法1.群智能算法简述2.遗传算法
3.粒子群算法
4.蚁群算法
知识表示1.搜索树2.产生式系统
3.框架法
4.脚本和概念依赖系统
5.语义网络
人工智能中的不确定性1.模糊集2.模糊逻辑
3.模糊推理
4.概率理论和不确定性
专家系统1.专家系统简述2.专家系统的特点
3.知识工程
4.知识获取
5.经典专家系统
机器学习简述1.机器学习基本含义2.机器学习基本含义应用场景
3.机器学习基本类型
4.机器学习框架
机器学习之分类任务1.分类任务简述2.分类任务主要算法
3.分类任务应用案例
机器学习之回归任务1.回归任务简述2.回归任务主要算法
3.回归任务应用案例
机器学习之聚类任务1.聚类任务简述2.聚类任务主要算法
3.聚类任务应用案例
机器学习之神经网络1.神经网络简述2.前馈型神经网络
3.反馈型神经网络
深度学习简述1.深度学习基本含义2.深度学习应用场景
3.深度学习基类型
4.深度学习与机器学习
5.深度学习框架
强化学习简述1.强化学习基本含义2.强化学习应用场景
3.强化学习基类型
4.强化学习与机器学习
5.强化学习框架
2人工智能数学基础人工智能数学介绍1.学习数学的意义2.人工智能中的数学
高等数学基础1.函数2.极限
3.无穷小与无穷大
4.连续性与导数
5.偏导数
微积分1.微积分及其解释2.定积分及其解释
3.定积分的性质
4.牛顿—莱布尼茨公式
5.综合实例—利用Python求解定积分
线性代数基础1.向量2.矩阵
3.矩阵和向量的创建
4.特殊的矩阵
5.矩阵基本操作
线性代数进阶1.标量、向量、矩阵和张量2.矩阵和向量相乘
3.单位矩阵和逆矩阵
4.线性相关和生成子空间
5.范数
概率论基础1.随机事件及其概率2.条件概率
3.独立性
4.随机变量
5.二维随机变量
概率论1.随机变量2.概率分布
3.边缘概率
4.条件概率
5.期望、方差和协方差
信息论基础1.熵和信息熵2.激活函数
3.综合案例—分类算法中信息熵的应用
3最优化理论与方法最优化基本介绍1.数学基础2.凸集和凸函数
3.无约束问题的最优性条件
4.最优化方法的结构
一维搜索1.精确一维搜索的收敛理论2.0.618法和Fibanacci法
3.插值法
4.不精确一堆搜索方法
牛顿法1.最速下降法2.牛顿法
3.修正牛顿法
4.有限差分牛顿法
5.负曲率方向法
6.信赖域方法
7.不精确牛顿法
8.关于牛顿法收敛性的Kantorovich定理
共轭梯度法1.共轭方向法2.共轭梯度法
3.共轭梯度法的收敛性
拟牛顿法1.拟牛顿法2.Broyden族
3.Huang族
4.算法的不变性
5.拟牛顿法的局部收敛性
6.拟牛顿法的总体收敛性
7.自调比变尺度方法
8.稀疏拟牛顿法
非二次模型量优化方法1.齐次函数模型的最优化方法2.张量方法
3.锥模型与共线调比
非线性最小二乘问题1.非线性最小二乘问题2.Gauss-Newton法,
3.Levenberg-Marquardt方法
4.Levenberg-Marquardt方法的More形式
5.拟牛顿法
约束优化量优性条件1.约束优化问题2.一阶最优性条件
3.二阶最优性条件
二次规划1.二次规划问题2.对偶性质
3.等式约束问题
4智能信息处理智能信息处理概述智能信息处理概述计算智能信息处理的主要技术计算智能技术的综合集成神经计算神经计算的概述神经网络基本原理前馈型神经网络反馈型神经网络RBF神经网络进化计算进化计算的一般框架与共同特点遗传算法基础遗传算法报告遗传算法在函数优化及TSP中的应用进化规划模糊计算模糊理论及三大基本元素模糊集合的基本运算模糊集合运算的基本规则模糊关系模糊信息处理数据融合数据融合的基本概念数据融合的传感器管理与数据库数据融合方法数据融合系统结构形式及数据准备数据关联技术常见的智能优化算法智能优化算法的产生与发展禁忌搜索算法模拟退火算法5模式识别模式识别概述1.模式与模式识别2.模式识别的主要方法
3.监督模式识别与非监督模式识别
4.模式识别系统举例
5.模式识别系统的典型构成
统计决策方法1.最小错误率贝叶斯决策2.最小风险贝叶斯决策
3.两类错误率、Neyman-Pearson决策与ROC曲线
4.正态分布时的统计决策
5.错误率的计算
6.离散概率模型下的统计决策举例
概率密度函数的估计1.最大似然估计2.贝叶斯估计与贝叶斯学习
3.概率密度估计的非参数方法
线性分类器1.线性判别函数的基本概念2.Fisher线性判别报告
3.感知器
4.最小平方误差判别
5.最优分类超平面与线性支持向量机
6.多类线性分类器
非线性分类器1.分段线性判别函数2.二次判别函数
3.多层感知器神经网络
4.支持向量机
5.核函数机器
其他分类方法1.近邻法2.决策树与随机森林
3.罗杰斯特回归
4.Boosting方法
特征选择1.特征的评价准则2.特征选择的最优算法
3.特征选择的次优算法
4.特征选择的遗传算法
5.以分类性能为准则的特征选择方法
特征提取1.基于类别可分性判据的特征提取2.主成分报告方法
3.Karhunen-Loève变换
4.K-L变换在人脸识别中的应用举例
5.高维数据的低维显示
6.多维尺度法
7.非线性变换方法简介
非监督模式识别1.基于模型的方法2.混合模型的估计
3.动态聚类算法
4.模糊聚类方法
5.分级聚类方法
6.自组织映射神经网络
模式识别系统的评价1.监督模式识别方法的错误率估计2.有限样本下错误率的区间估计问题
3.特征提取与选择对分类器性能估计的影响
4.从分类的显著性推断特征与类别的关系
5.非监督模式识别系统性能的评价
6机器学习机器学习概述机器学习简述监督学习与无监督学习训练，验证，测试与评估KNN算法KNN简述相似性与距离度量算法实现的过程机器学习的第一次实践徒手实现KNN算法机器学习框架介绍使用Sklearn实现KNN算法结果的指标与评估线性回归线性回归介绍损失函数与目的正规矩阵方法梯度与梯度下降多项式回归欠拟合与过拟合正则化相关API与超参数逻辑回归逻辑回归的基本概念分类问题与Sigmoid函数逻辑回归如何实现分类Softmax回归（多分类）相关API与超参数朴素贝叶斯朴素贝叶斯的基本概念先验概率类条件概率条件独立假设贝叶斯与全概率关系离散型贝叶斯分类器特点朴素贝叶斯分类器特点相关API与超参数支持向量机支持向量机的基本概念分类间隔对偶问题KKT条件核函数软间隔与正则化关系SMO算法相关API与超参数决策树决策树模型的基本概念信息熵信息增益ID3算法C4.5算法基尼系数C增强现实ART算法决策树的剪枝相关API与超参数集成学习集成学习简介弱分类器与强分类器集成学习分类Bagging算法原理随机森林Boosting算法原理Boosting算法初阶AdaboostBoosting算法进阶GBDTBoosting算法高阶XGBoost，LGB，CatBoost相关框架，API，与超参数聚类聚类与无监督学习相似度计算与性能度量K-means聚类DBSCAN算法相关框架，API，与超参数PCA数据的维度与维度灾难协方差矩阵特征值与特征向量降低数据的维度相关API，超参数神经网络神经网络7深度学习TensorTensor数据类型创建方法Session自动求导求导原理静态图动态图设计正向反向传播损失函数优化函数SGDMomentumRMSpropAdagradAdadeltaAdam神经网络网络层激活函数模型优化CNN卷积神经网络基本单元convpoolstridekernel_sizepaddingCNN经典卷积神经网络LeNetAlexnetVggGoogLeNetResnetDensenetRNN循环神经网络RNNLSTMAttentionSeq2Seq强化学习强化学习基础知识强化学习算法深度强化学习GPU加速GPU查看GPU常用参数设置CNN卷积神经网络应用文本分类手写体识别人脸识别图片生成深度前馈网络基于梯度的学习隐藏单元架构设计反向传播和其他的微分算法深度学习中的正则化参数范围惩罚作为约束的范数惩罚正则化和欠约束问题数据集增强噪声鲁棒性学习和优化学习和优化概述神经网络优化中的挑战优化函数基本用法参数初始化策略自适应学习率算法二阶近似方法优化策略和元算法卷积神经网络卷积和图像卷积图像卷积运算动机池化卷积层基本卷积函数的变体循环神经网络计算图循环神经网络双向循环神经网络基于编码解码的序列到序列架构深度循环网络自编码器欠完备自编码器正则自编码器自编码器的能力、层大小和深度随机编码器和解码器去噪自编器蒙特卡罗方法采样和蒙特卡罗方法重要采集马尔可夫链蒙特卡罗方法Gibbs采样不同的峰值之间的混合挑战8数字图像处理数字图像的本质自然图像与光谱人类视觉特点数字图像之离散化信息图像的基本类型与表达图像与视频的关系图像的基本操作视频的基本操作绘制简单的几何图像鼠标事件的处理色彩空间理论基础RGB色彩空间HSV色彩空间HLS色彩空间Lab色彩空间RGB转HSVRGB转HLSRGB转Lab数字图像的计算处理逻辑运算之与运算逻辑运算之或运算逻辑运算之非运算逻辑运算之异或运算算术运算之加法运算算术运算之减法运算算术运算之乘法运算算术运算之除法运算灰度图像变换之图像反转灰度图像变换之线性变换灰度图像变换之对数变换灰度图像变换之伽马变换数字图像的几何变换扩展缩放平移翻转旋转透视变换仿射变换数字图像直方图直方图定义直方图性质直方图作用灰度直方图计算彩色直方图计算绘制直方图线性变换对直方图修改分段线性变换对直方图修改数字图像形态学什么是形态学形态学处理的原理结构元结构元的分类腐蚀膨胀开运算闭运算顶帽变换底帽变换形态学梯度数字图像增强直方图正规化直方图均衡化高斯滤波中值滤波双边滤波数字图像分割直方图技术法熵运算Otsu阈值法连通域分割分水岭算法分水岭切割Sobel边缘检测Canny边缘检测数字图像几何形状检测轮廓检测直线检测圆检测角点检测数字图像之模板匹配图像金字塔模板匹配定义模板匹配作用模板匹配流程模板匹配度量方式SIFT检测HOG检测ORB检测SURF检测图像修补图像修补背景消除9计算机视觉计算机视觉概述图像与视频之间关系计算机视觉任务计算机视觉挑战计算机应用领域计算机视觉发展现状及趋势图像与视频之间关系图像标注什么图像标注图像标注类型图像标注方法常用工具介绍图像增广方法图像标注实际应用案例目标检测基础边界框锚框交并比非极大值抑制RCNN系列算法RCNN发展史RCNN算法FastRCNN算法FasterRCNN算法RCNN系列算法比较RCNN系列算法优缺点YOLO系列算法YOLO算法发展史YOLO算法思想YOLO算法的损失函数YOLOV1网络框架YOLOV2网络框架YOLOV3网络框架YOLO算法比较SSD系列算法SSD发展史SSD算法YOLOSSD算法比较语义分割什么是语义分割FCN算法SegNet算法U-Net算法目标跟踪帧差法光流法GAN生成对抗网络GAN发展史GAN算法10自然语言处理自然语言处理概述1.自然语言与编程语言2.自然语言处理的层次
3.自然语言处理的流派
4.语料库
5.开源工具
单词的分布式表示1.WordNet2.同义词词典的问题
3.基于Python的语料库预处理
4.向量间的相似度
5.相似单词的排序
word2vec1.基于推理的方法和神经网络2.简单的word2vec
3.学习数据的准备
4.CBOW模型的实现
5.Embedding层及其实践
CBOW模型1.BOW模型的实现2.CBOW模型的学习代码
3.CBOW模型的评价
4.单词向量的评价方法
循环的神经网络1.概率和语言模型2.概率视角下的word2vec
3.语言模型
4.将CBOW模型用作语言模型
5.循环的神经网络实践
优化RNN1.RNN的问题2.梯度消失和梯度爆炸
3.梯度消失和梯度爆炸的原因
4.梯度爆炸的对策
LSTM1.LSTM简述2.LSTM结构
3.LSTM的梯度的流动
4.LSTM的实现
5.使用LSTM的语言模型
基于RNN生成文本1.使用语言模型生成文本2.seq2seq模型
3.seq2seq的实现
4.seq2seq的应用
5.seq2seq存在的问题
隐马尔可夫模型与序列标注1.序列标注问题2.隐马尔可夫模型
3.隐马尔可夫模型的样本生成
4.隐马尔可夫模型的训练
5.隐马尔可夫模型的预测
感知机分类与序列标注1.分类问题2.线性分类模型与感知机算法
3.基于感知机的人名性别分类
4.结构化预测问题
5.线性模型的结构化感知机算法
条件随机场与序列标注1.机器学习的模型谱系2.条件随机场
3.条件随机场工具包
词性标注1.词性标注概述2.词性标注语料库与标注集
3.序列标注模型应用于词性标注
4.自定义词性
命名实体识别1.命名实体识别概述2.基于规则的命名实体识别
3.命名实体识别语料库
4.基于层叠隐马尔可夫模型的角色标注框架
5.基于序列标注的命名实体识别
11数字语音处理语音识别技术概述1.语音识别的基本原理2.语音识别技术的发展
3.语音识别技术的应用
语音信号数字化预处理1.预滤波2.采样与量化
3.语音信号的A／D转化
4.预加重
5.分帧处理
语音信号短时时域处理1.短时能量2.短时过零率
语音信号短时频域处理1.短时傅里叶变换2.语谱图
3.短时功率谱密度
语音端点检测常规方法1.基于短时能量和过零率的语音端点检测2.基于自相关函数的语音端点检测
3.基于小波变换的语音端点检测
基于小波报告的语音端点检测1.小波变换的基本原理2.基于小波变换的语音端点检测
基于小波包和高阶累积量的语音端点检测1.小波包变换2.高阶累积量理论
3.基于小波包和高阶累积量的语音端点检测算法
基于自适应门限的分形维数语音端点检测1.基于分形维数的端点检测2.基于自适应门限的分形维数端点检测算法设计
传统声学模型1.混合高斯模型2.隐马尔可夫模型及其变体
深度神经网络1.深度神经网络基础2.高级模型初始化技术
隐马尔可夫模型混合系统1.DNN-HMM混合系统2.CD-DNN-HMM的关键模块及报告
3.CD-DNN-HMM的关键模块及报告
模型训练加速1.GPU训练加速2.加速解码与并行计算
12机器人操作系统机器人系统-入门案例1.pybullet仿真概述2.控制机器人
3.机器人碰撞检测
4.机器人外观设置
5.基于强化学习机器人仿真
6.机器人
机器人系统-ROS基础1.ROS简述2.ROS的核心概念
3.安装ROS系统
4.ROS命令行工具的使用
机器人系统-ROS体系结构1.ROS架构设计2.计算图
3.文件系统
4.通信机制
5.话题与服务
机器人系统-ROS开发环境1.创建工作空间和功能包2.工作空间的覆盖
3.搭建Eclipse开发环境
4.RoboWare
5.Publisher与Subscriber
机器人系统-ROS常用组件1.launch启动文件2.TF坐标变换
3.Qt工具箱
机器人系统-rviz三维可视化平台1.安装并运行rviz2.数据可视化
3.插件扩展机制
机器人系统-Gazebo仿真环境1.Gazebo的特点2.安装并运行Gazebo
3.构建仿真环境
2）实验实训支撑平台实验实训开发管理平台支持Python开发、数据库、大数据、人工智能、区块链等不同的IT技术栈课程资源，并为实训课程资源提供开发环境。同时支持用户基于平台围绕课程教学需求进行自主化的实训课程研发和定制。该平台也为课程实训实践运行和测评提供支撑，从而实现对实验过程的自动化测评和智能化评估。
多样化开发模式云端编程环境（CloudIntegratedDevelopmentEnvironments）远程桌面环境（RemoteDesktopEnvironments）
远程命令行环境（RemoteConsoleEnvironments）
虚拟仿真环境（VirtualSimulationEnvironments）
交互式笔记环境（JupyterNotebookEnvironments）
支持异质架构实践运行环境围绕机器学习、人工智能等教学课程，支持开发构建涵盖不同IT技术架构以及知识技能点的实训课程。可支持C、C++、Python、Java、R、TensorFlow、MindSpore、PandlePandle、Caffe、Torch等几十种语言及框架。可定制的实训开发以实训项目为基本核心单元，支持老师根据需要进行基于已有实训的个性化定制，支持实训课程的在线升级与持续迭代。在线制作镜像为实验实训的开展提供虚拟镜像的定制与管理，包括测评环境镜像的动态生成与管理、容器构建优化与管理等。实时测评反馈支持实时在线测评和调试，让学员在改错中提升实践技能；支持带会话的多级自动测试与过关评分，支持基于Pipeline模式的多级测试模型；支持对学生的综合性能力评价，自动化生成综合性学习实验报告。高效测评支持对学员的编程实践进行自动化测评，要求实训虚拟机的远程启动时间