許曉飛, 米 潔, 陳雯柏

(1. 北京信息科技大學(xué) 自動(dòng)化學(xué)院, 北京 100192; 2. 北京信息科技大學(xué) 教務(wù)處, 北京 100192)

人工智能(AI)技術(shù)快速發(fā)展對(duì)人類社會(huì)的各行業(yè)都引起了深遠(yuǎn)廣泛的影響,如在深度神經(jīng)網(wǎng)絡(luò)的廣泛應(yīng)用、腦科學(xué)研究的不斷進(jìn)步與突破,在大數(shù)據(jù)、云計(jì)算等相關(guān)技術(shù)的支撐下,人工智能技術(shù)被快速地應(yīng)用到農(nóng)業(yè)、醫(yī)療、教育、能源、國(guó)防等諸多領(lǐng)域。許多國(guó)家都制定針對(duì)性的國(guó)家人工智能研發(fā)戰(zhàn)略規(guī)劃,社會(huì)急劇增加的人才需求倒逼人工智能類專業(yè)人才培養(yǎng)教育模式必須改變。北京大學(xué)賈積有教授認(rèn)為人工智能教育是在以計(jì)算機(jī)為代表的人造機(jī)器上實(shí)現(xiàn)的人類教育[1]。面對(duì)人工智能重要挑戰(zhàn),作為人工智能類專業(yè)的教育工作者創(chuàng)造特定機(jī)器實(shí)現(xiàn)智能教育平臺(tái),并在此之上開展創(chuàng)新實(shí)踐教學(xué)工作符合人工智能科學(xué)技術(shù)發(fā)展規(guī)律,將強(qiáng)化人工智能方面的人才培養(yǎng)[2-4]。

本文深度總結(jié)十幾年來我校智能科學(xué)與技術(shù)專業(yè)建設(shè)經(jīng)驗(yàn)[5],主動(dòng)解析提升人工智能類的本科教育人才培養(yǎng)內(nèi)涵、關(guān)鍵技術(shù)及應(yīng)用趨勢(shì)等,提出以構(gòu)建人工智能視域下典型內(nèi)核算法應(yīng)用的協(xié)同過濾推薦系統(tǒng)為工程綜合創(chuàng)新實(shí)踐教學(xué)平臺(tái)[6],針對(duì)學(xué)生學(xué)習(xí)智能專業(yè)課程中存在對(duì)復(fù)雜工程抽象理論理解困境,以及編寫應(yīng)用智能算法的畏難情緒,進(jìn)行教學(xué)實(shí)踐項(xiàng)目階梯式的設(shè)計(jì),使教師和學(xué)生可以從單一、繁重的機(jī)械性勞動(dòng)中“解放”出來,把注意的中心放到創(chuàng)造性工作上去;智能系統(tǒng)的后臺(tái)推薦部分以及深度學(xué)習(xí)都比較抽象,卻是重要且偏重實(shí)際應(yīng)用的算法,涉及編程語言平臺(tái)及運(yùn)行環(huán)境也較多,學(xué)生學(xué)習(xí)較為困難; 而通過增加采用攝像頭實(shí)時(shí)獲取樣本數(shù)據(jù)的視覺部分、結(jié)合簡(jiǎn)易機(jī)械臂移動(dòng)部分,基于分揀物品的圖片或用戶臉部信息識(shí)別的智能數(shù)據(jù)推薦系統(tǒng)設(shè)計(jì),這樣一體化平臺(tái)可以幫助學(xué)生直觀獲取到深度學(xué)習(xí)算法應(yīng)用的過程及結(jié)果,從而實(shí)現(xiàn)在教學(xué)過程中能致力于培養(yǎng)學(xué)生的創(chuàng)新意識(shí)、創(chuàng)新能力及實(shí)踐能力[7]。

1 人工智能視域下工程型人才培養(yǎng)

人工智能的快速發(fā)展作為人工智能工程類本科生培養(yǎng)方案中,涉及專業(yè)課程內(nèi)容如知識(shí)的表示方法、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)、自然語言處理、智能代理、情感計(jì)算等方面,其應(yīng)用與發(fā)展趨勢(shì)集中在智能導(dǎo)師與助手、智能測(cè)評(píng)、學(xué)習(xí)伙伴、數(shù)據(jù)挖掘與學(xué)習(xí)分析等領(lǐng)域[4],這些專業(yè)課程要求能夠融會(huì)貫通的關(guān)鍵技術(shù)內(nèi)容簡(jiǎn)介如下:

(1) 知識(shí)表示方法。作為人工智能和信息融合的核心技術(shù)之一的知識(shí)表示,有早期的一階謂詞邏輯表示法、產(chǎn)生式表示法、框架表示法以及現(xiàn)在的神經(jīng)網(wǎng)絡(luò)知識(shí)表示法等。

(2) 機(jī)器學(xué)習(xí)與深度學(xué)習(xí)。作為人工智能研究的一個(gè)核心領(lǐng)域的機(jī)器學(xué)習(xí),在1997年Tom M. Mitchell在《Machine 2 Learning》中提出機(jī)器學(xué)習(xí)理論的經(jīng)典定義,“計(jì)算機(jī)可以有通過學(xué)習(xí)從而不斷進(jìn)化的行為”; 如深度學(xué)習(xí)通過建立類似于人腦的分層模型結(jié)構(gòu),輸入數(shù)據(jù)逐級(jí)提取從底層到高層的特征,對(duì)應(yīng)構(gòu)建起從底層信號(hào)與高層語義間的映射。

(3) 自然語言處理。自然語言處理主要是讓計(jì)算機(jī)理解人類的自然語言,以實(shí)現(xiàn)用自然語言與計(jì)算機(jī)進(jìn)行交流,如自然語言、機(jī)器語言和文本生成之間的翻譯及轉(zhuǎn)換。

(4) 情感計(jì)算。情感計(jì)算是指人類通過為機(jī)器設(shè)定程序使之能識(shí)別、理解、處理并模擬人的情感。例如,可運(yùn)用攝像機(jī)捕捉面部表情和手勢(shì),采用情感算法計(jì)算,進(jìn)而使機(jī)器獲取捕捉到的用戶情感狀態(tài)。

本文提出的協(xié)同過濾推薦系統(tǒng),將人工智能類新工科教育以模擬解決以上幾大類復(fù)雜工程問題為載體,轉(zhuǎn)化為系統(tǒng)化的大量樣本數(shù)據(jù)的實(shí)時(shí)采集輸入,智能算法的協(xié)同過濾推薦,以及能直觀觀測(cè)的人機(jī)交互式結(jié)果輸出,具有綜合實(shí)踐的教學(xué)過程可操作化。

2 協(xié)同過濾推薦系統(tǒng)

推薦系統(tǒng)是一種信息過濾系統(tǒng),根據(jù)用戶的歷史記錄,實(shí)現(xiàn)實(shí)時(shí)、快速地對(duì)用戶的行為進(jìn)行分析,找到其可能感興趣的視頻,為用戶進(jìn)行推薦。日常生活中能接觸到的大量互聯(lián)網(wǎng)產(chǎn)品都大量使用了推薦系統(tǒng),如一些比較知名電商網(wǎng)站等。推薦系統(tǒng)的工作流程示意圖如圖1所示[8-12]。

圖1所示的協(xié)同過濾推薦系統(tǒng)符合“復(fù)雜工程問題”特征。協(xié)同攻關(guān)5大模塊:數(shù)據(jù)收集模塊,推薦引擎模塊,數(shù)據(jù)存儲(chǔ)模塊,用戶交互模塊以及推薦結(jié)果處理模塊。一個(gè)教學(xué)小項(xiàng)目可以是：對(duì)于推薦系統(tǒng)的原理及其如何利用用戶軌跡數(shù)據(jù)進(jìn)行分析研究。比如分析經(jīng)典基于用戶/基于物品的協(xié)同過濾推薦算法:(1)基于用戶的協(xié)同過濾算法主要思想:給定一個(gè)評(píng)分矩陣和一個(gè)準(zhǔn)備為之推薦物品的用戶,根據(jù)評(píng)分矩陣結(jié)果找到與這個(gè)用戶相似度最接近的多個(gè)用戶,然后從多個(gè)用戶中選擇該用戶不曾購(gòu)買過的商品推薦給他；(2)基于物品的協(xié)同過濾系統(tǒng)不是匹配需求者間的關(guān)系,是計(jì)算出與用戶感興趣的商品相似度較高的商品,這里將針對(duì)對(duì)象從需求者變成商品,然后把那些相似的物品組合成一個(gè)推薦清單。

圖1 協(xié)同過濾推薦平臺(tái)工作流程示意圖

并將兩者進(jìn)行深度研究對(duì)比,學(xué)生能夠選擇一種算法對(duì)推薦系統(tǒng)進(jìn)行設(shè)計(jì),整個(gè)小項(xiàng)目完成的過程中,培養(yǎng)學(xué)生解決不確定問題能力和創(chuàng)新綜合思維。

3 以用戶臉部信息推薦為例的工程綜合與創(chuàng)新實(shí)踐教學(xué)平臺(tái)

用戶臉部信息推薦系統(tǒng)的軟件部分涉及到人工智能技術(shù)的典型方面,如知識(shí)的表示方法、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)、自然語言處理、情感計(jì)算等方面交叉融合功能模塊[13-18]。

3.1 用戶臉部信息特征創(chuàng)新實(shí)踐訓(xùn)練方案

舉例:簡(jiǎn)單工程訓(xùn)練目標(biāo)任務(wù),將人臉識(shí)別與推薦系統(tǒng)相結(jié)合,使用CNN卷積神經(jīng)網(wǎng)絡(luò),基于python和caffe實(shí)現(xiàn)對(duì)用戶面部特征的識(shí)別和分析,得出用戶的年齡段與性別等,根據(jù)所得結(jié)果對(duì)用戶進(jìn)行分類。根據(jù)返回的用戶分類結(jié)果,推薦系統(tǒng)選擇相應(yīng)的商品為用戶進(jìn)行推薦[19]。

完成人臉識(shí)別有4個(gè)核心步驟，分別是采集圖像、檢測(cè)圖像中人臉位置、對(duì)圖像進(jìn)行預(yù)處理和提取、匹配圖中人臉的特征并識(shí)別。

采集圖像:在采集人臉圖像時(shí)可以通過改變采集位置、改變面部表情、靜態(tài)和動(dòng)態(tài)等方式來獲取不同圖像。學(xué)生可以搭建出主動(dòng)尋找出現(xiàn)在拍攝范圍內(nèi)的用戶，并獲取面部圖像的視覺獲取設(shè)備,如全方位搜索移動(dòng)的機(jī)械臂上安裝攝像頭。

圖像人臉的定位位置:實(shí)際應(yīng)用中的人臉檢測(cè)主要負(fù)責(zé)完成人臉在圖像中的位置和大小的確認(rèn)。圖像中的人臉包含顏色、結(jié)構(gòu)、直方圖等非常多的特征,在檢測(cè)人臉時(shí)將從利用這些特征中提取出的相關(guān)信息來完成人臉檢測(cè)。

圖像的預(yù)處理:預(yù)處理操作位于對(duì)圖像中人臉的檢測(cè)步驟之后,基于上一步檢測(cè)出的結(jié)果以適當(dāng)?shù)念A(yù)處理方法處理圖像,去除圖像中的干擾因素,包括調(diào)整圖片明暗、校正圖片灰度、完成噪聲濾波、圖像銳化、灰度變換和數(shù)值歸一化等,為提取人臉特征做好鋪墊。由于拍攝圖像時(shí)各種人為和環(huán)境條件的限制和干擾,直接獲得的原始圖像不經(jīng)過處理無法在系統(tǒng)中直接使用。

提取圖像中人臉特征與建模:在匹配與識(shí)別人臉的過程中常用的四種特征有圖像的直接視覺特征、像素特征、變換參數(shù)及其數(shù)學(xué)特征。提取人臉特征的主要方法可以分成以下兩種:一種是基于已有知識(shí)對(duì)圖像中的人臉特征信息進(jìn)行提取,另一種則是源于數(shù)學(xué)特征的統(tǒng)計(jì)和學(xué)習(xí)。

基于已有知識(shí)的特征提取方法主要包括分析人臉結(jié)構(gòu)的幾何特征和將人臉與模板作對(duì)比獲取特征。主要是通過收集人臉上各種器官的形狀信息和各個(gè)器官之間的距離信息來收集匹配與識(shí)別人臉時(shí)所需要的人臉幾何特征信息。通常用提取出的每個(gè)特征點(diǎn)之間的距離、曲率和角度等幾何分量代表這些特征。

匹配圖像中的人臉并識(shí)別:將上一步從圖像中獲取出的人臉特征數(shù)據(jù)與預(yù)先制作完成的樣例進(jìn)行對(duì)比,通過匹配結(jié)果判斷圖中是否為人臉，該人臉是否是數(shù)據(jù)庫(kù)中登錄過的某人。從圖像中獲取的需要識(shí)別的面部特征與已有樣例的特征進(jìn)行匹配,并依據(jù)這些特征的相似程度來判斷人臉的身份信息的過程就是人臉識(shí)別的過程。設(shè)置一個(gè)閾值,當(dāng)提取出的特征與數(shù)據(jù)庫(kù)中的樣例特征相似度超過該閾值時(shí)輸出匹配結(jié)果。

通過以上詳細(xì)分析可知,系統(tǒng)涉及到人工智能、機(jī)器人學(xué)、圖像處理與模式識(shí)別、數(shù)據(jù)挖掘、傳感采集輸入、精密機(jī)械等諸多領(lǐng)域的前沿技術(shù)。訓(xùn)練方案基于“構(gòu)思、設(shè)計(jì)、實(shí)施、運(yùn)行”,環(huán)環(huán)相扣,緊密聯(lián)系,充分做到學(xué)中做,做中學(xué)。這種CDIO式運(yùn)作的全過程做載體培養(yǎng)的工程能力,不僅促進(jìn)包含個(gè)人的學(xué)術(shù)技術(shù)數(shù)據(jù)科學(xué)素養(yǎng),還包含終生學(xué)習(xí)能力、不同年級(jí)不同專業(yè)交叉團(tuán)隊(duì)交流能力和大智能系統(tǒng)掌控能力。

3.2 用戶臉部信息特征推薦工程訓(xùn)練的復(fù)雜性

(1) 必須運(yùn)用深入的工程原理并經(jīng)過分析才可能得到解決。平臺(tái)構(gòu)建人臉識(shí)別系統(tǒng)所使用的深度學(xué)習(xí)算法——卷積神經(jīng)網(wǎng)絡(luò)(簡(jiǎn)稱CNN)算法是人工智能領(lǐng)域最新發(fā)展起來應(yīng)用廣泛,效率較高的典型深度學(xué)習(xí)算法。

在處理圖像數(shù)據(jù)時(shí),通過講解構(gòu)建不同結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),演示導(dǎo)入過于龐大的推薦數(shù)據(jù)量時(shí),對(duì)比不同算法訓(xùn)練效率和精度,就能夠直觀理解了CNN算法的局部感知、參數(shù)共享和多次卷積具體參數(shù)意義。

(2) 需要涉及多方面的技術(shù),工程和其他因素,并可能相互有一定沖突

① 推薦算法的設(shè)計(jì)。所述深度學(xué)習(xí)智能算法使用CNN算法對(duì)用戶大數(shù)據(jù)集進(jìn)行模型的建立,結(jié)合基于用戶的協(xié)同過濾推薦和基于物品的協(xié)同過濾推薦的兩種算法的優(yōu)點(diǎn),最終推送給用戶排分在前的商品。

② 綜合技術(shù)應(yīng)用。基于用戶臉部信息的推薦分揀系統(tǒng),對(duì)人工智能領(lǐng)域綜合技術(shù)開發(fā)軟件python、opencv、matlab等都有應(yīng)用,其特征在于,所述深度學(xué)習(xí)智能算法、人機(jī)交互的推薦系統(tǒng)軟件部分和相關(guān)性物品分類分揀系統(tǒng)硬件部分結(jié)構(gòu),能夠識(shí)別出用戶臉部信息的年齡、性別等特征,形成精準(zhǔn)推薦。

③ 硬件架構(gòu)設(shè)計(jì)階梯式選擇。系統(tǒng)推薦采集和分揀部分由物體分類模塊、信號(hào)接收模塊以及傳輸模塊組成,可以分別采取不同階梯式難度的控制器進(jìn)行處理,命令發(fā)布能通過有線或無線收發(fā)模塊進(jìn)行信息傳遞、發(fā)送推薦分揀指令、編寫程序指令控制傳感器輸入、電機(jī)的轉(zhuǎn)速和舵機(jī)的角度等。

(3) 問題中涉及的因素可能沒有完全包含在專業(yè)標(biāo)準(zhǔn)和規(guī)范中。人臉識(shí)別的評(píng)估標(biāo)準(zhǔn)主要有誤識(shí)率、拒識(shí)率和識(shí)別的正確率,誤識(shí)率是錯(cuò)誤地將別人識(shí)別作指定人的概率,拒識(shí)率是錯(cuò)誤地將指定人識(shí)別作別人的概率,識(shí)別的正確率是識(shí)別正確的人次與總參與人次的比值。本平臺(tái)采用識(shí)別的正確率作為人臉識(shí)別系統(tǒng)的評(píng)估標(biāo)準(zhǔn)。

4 用戶臉部信息推薦系統(tǒng)創(chuàng)新實(shí)踐階梯式訓(xùn)練內(nèi)容

用戶臉部信息推薦系統(tǒng)的硬件架構(gòu)具體可分為移動(dòng)機(jī)械臂、視覺、協(xié)同過濾推薦和推薦物流4個(gè)功能模塊。針對(duì)本科階段的不同年級(jí)學(xué)生對(duì)復(fù)雜智能工程抽象理論理解困境,以及編寫智能算法的畏難情緒,將協(xié)同過濾推薦平臺(tái)建設(shè)成操作演示型、參與設(shè)計(jì)型以及探索創(chuàng)新型的階梯式單元訓(xùn)練項(xiàng)目。

4.1 實(shí)驗(yàn)環(huán)境配置項(xiàng)目(操作演示型)

平臺(tái)的軟件部分:推薦系統(tǒng)操作配置最新的python環(huán)境編寫推薦系統(tǒng)程序; 在python2.7、Anaconda2、opencv2.4.13.4、caffe環(huán)境下編寫人臉識(shí)別程序,其中采用了卷積神經(jīng)網(wǎng)絡(luò)算法,采集106 863張男性和女性530名人臉圖像的數(shù)據(jù)集訓(xùn)練,測(cè)試實(shí)現(xiàn)了98.1%的識(shí)別率; 在應(yīng)用SVM分類器模型,以及融合LBP算法及SVM分類器算法的模型證明了較高人臉檢測(cè)及識(shí)別性別、年齡精度的模型; 將人臉識(shí)別應(yīng)用到推薦系統(tǒng)中，能更快地獲取用戶信息，為用戶進(jìn)行分類,提高推薦速度。通過采集用戶人臉信息,數(shù)據(jù)挖掘出用戶年齡、性別，用于推薦的基于用戶的推薦系統(tǒng)。

平臺(tái)的硬件部分:搭建用戶臉部信息推薦系統(tǒng)的硬件架構(gòu)具體可分為移動(dòng)機(jī)械臂、視覺、協(xié)同過濾推薦和推薦物流(用電機(jī)、傳送帶、單片機(jī)等元件構(gòu)建分揀系統(tǒng))的4個(gè)功能模塊,分別電源管理后能夠獨(dú)立演示,或者串聯(lián)整體演示,如圖2所示。

圖2 協(xié)同過濾推薦系統(tǒng)實(shí)物圖

4.2 樣本數(shù)據(jù)集的構(gòu)建項(xiàng)目(參與設(shè)計(jì)型)

大型人臉數(shù)據(jù)集對(duì)于推進(jìn)人臉識(shí)別研究很重要,但是它們的構(gòu)建很繁瑣,可以組織學(xué)生參與實(shí)施采集獲取構(gòu)建,如FaceScrub數(shù)據(jù)集。實(shí)際使用移動(dòng)的機(jī)械臂安裝攝像頭。進(jìn)行圖像采集并進(jìn)行圖像處理的一系列操作后反饋出的識(shí)別結(jié)果，如圖3所示。

圖3 程序使用攝像頭人臉年齡段、性別檢測(cè)

可以看到推薦系統(tǒng)能夠準(zhǔn)確識(shí)別出人臉臉部位置及所處年齡段、性別、表情、種族。圖3中右上角3個(gè)按鈕分別為開始人臉檢測(cè)、暫停人臉檢測(cè)和退出,下方4個(gè)復(fù)選框中Detection代表是否檢測(cè)人臉位置、Landmark代表是否標(biāo)示出人臉檢測(cè)的關(guān)鍵點(diǎn)、Gender代表是否顯示性別、Age代表是否顯示年齡。

4.3 算法分析(探索創(chuàng)新型)

推薦系統(tǒng)使用CNN等網(wǎng)絡(luò)訓(xùn)練模型時(shí),首先通過提取人臉臉型、器官結(jié)構(gòu)及其間距等特征，獲取人臉信息,根據(jù)這些信息分別建立人臉檢測(cè)與識(shí)別、年齡識(shí)別、性別識(shí)別、表情識(shí)別與種族識(shí)別模型,并在識(shí)別過程中使用這些模型分工完成各項(xiàng)識(shí)別,相較單個(gè)模型完成多項(xiàng)特征的識(shí)別更容易準(zhǔn)確獲取圖像信息。圖4為3種算法人臉識(shí)別率正確率統(tǒng)計(jì)。

圖4 3種算法人臉識(shí)別正確率統(tǒng)計(jì)圖

通過對(duì)圖4進(jìn)行分析,在使用相同的數(shù)據(jù)集進(jìn)行訓(xùn)練后,傳統(tǒng)的SVM分類器對(duì)該人臉數(shù)據(jù)集的識(shí)別率不高,僅有約76.6%的識(shí)別正確率。融合LBP算法及SVM分類器算法后約有94.8%的識(shí)別正確率,而本文使用的CNN算法對(duì)該數(shù)據(jù)集約有98.1%的識(shí)別率,較前兩種算法分別提升了21.5%和3.3%。由此可知,使用卷積神經(jīng)網(wǎng)絡(luò)算法可以有效的提升人臉檢測(cè)及識(shí)別性別精確程度。

鑒于用戶的算法以及基于物品的算法各有優(yōu)劣,所以決定使用以上這兩種算法實(shí)現(xiàn)本推薦系統(tǒng)的設(shè)計(jì)。首先為每一類用戶手動(dòng)初始化物品評(píng)分矩陣,根據(jù)人臉識(shí)別系統(tǒng)的反饋結(jié)果為新的用戶進(jìn)行分類,根據(jù)該分類及物品評(píng)分矩陣為用戶進(jìn)行推薦,而后根據(jù)用戶是否點(diǎn)選該物品以及用戶對(duì)該物品的評(píng)分,對(duì)物品評(píng)分矩陣進(jìn)行優(yōu)化,選擇用戶評(píng)分高的物品及與其相似的物品進(jìn)行推薦。

本文中構(gòu)建的推薦系統(tǒng)尚未經(jīng)過大型數(shù)據(jù)集測(cè)試,在小范圍的測(cè)試中,推薦點(diǎn)擊率為16%。從圖5中可以看出本文算法優(yōu)于兩種傳統(tǒng)算法。下一步指導(dǎo)學(xué)生將平臺(tái)擴(kuò)大訓(xùn)練集的基礎(chǔ)上,克服由于測(cè)試人數(shù)過少、數(shù)據(jù)訓(xùn)練不充分可能引起推薦結(jié)果的不確定性,以及對(duì)如何有效利用用戶的評(píng)分以及對(duì)用戶評(píng)分稀疏時(shí)如何減少其負(fù)面影響進(jìn)行研究。指導(dǎo)學(xué)生為以后的設(shè)計(jì)提供需綜合考慮各個(gè)算法的優(yōu)劣勢(shì)參考數(shù)據(jù),根據(jù)用戶需求實(shí)現(xiàn)性價(jià)比最高的方案設(shè)計(jì)。

圖5 3種推薦算法的推薦點(diǎn)擊率對(duì)比圖

5 結(jié)語

人工智能視域下協(xié)同過濾推薦平臺(tái)階梯式教學(xué)培養(yǎng)過程,是從培養(yǎng)創(chuàng)新精神入手,以提高創(chuàng)新能力為核心,通過引導(dǎo)學(xué)生由易到難階梯式地完成系統(tǒng)搭建與創(chuàng)新探索,有效應(yīng)用學(xué)生學(xué)習(xí)的個(gè)性化、教學(xué)精準(zhǔn)化和實(shí)時(shí)跟蹤與反饋式督導(dǎo),將更充分發(fā)揮學(xué)生主體性、主動(dòng)性,帶動(dòng)學(xué)生獨(dú)立學(xué)習(xí)、大膽探索、勇于創(chuàng)新能力的過程。

下一步繼續(xù)指導(dǎo)學(xué)生進(jìn)行創(chuàng)新實(shí)踐探索,結(jié)合人工智能最新研究成果進(jìn)行直觀應(yīng)用,如使用CNN算法的改進(jìn)擴(kuò)展算法——FASTER R-CNN圖像處理算法,實(shí)現(xiàn)實(shí)時(shí)數(shù)據(jù)動(dòng)態(tài)、快速、模糊情況更快的訓(xùn)練和識(shí)別速度以及更高的精度; 硬件架構(gòu)加裝提升整體處理程序配置,將推薦系統(tǒng)、視頻音頻實(shí)時(shí)數(shù)據(jù)識(shí)別系統(tǒng)、分揀系統(tǒng)高效地整合為一個(gè)系統(tǒng),持續(xù)改進(jìn)平臺(tái)推薦工作效率。