创新型人工智能人才培养的教学体系探究与改革

创新型人才已经成为当今社会可持续性发展必不可少的重要环节。随着智能时代的到来,人工智能技术不断发展,我国对创新型人工智能人才的需求不断增加。针对以上情况,我国院校必须革新现有的教学体系,为国家培养创新型人才。本文对人工智能领域创新型人才培养的教学体系进行探究分析。

深度置信网络的代价敏感多粒度三支决策模型研究

最优粒度选择是自编码网络构造多粒度特征的关键环节。针对自编码网络粒度选择方法不合理导致特征提取效果差以及错误分类成本和测试成本高的问题,提出一种基于小批量梯度下降(mini-batch gradient descent, MBGD)的粒度层选取策略。该方法通过改变粒度选择方式重新构建多粒度空间,设计一个新的基于深度置信网络(deep belief network, DBN)的代价敏感多粒度三支决策模型。更优的粒度选择方法提升网络的特征提取能力,促使多粒度空间的构造朝着最快到达最细粒度空间的方向发展,降低图像重构误差以达到更小的错误分类代价和测试代价。实验结果表明,提供合理的粒度选取策略提高了代价敏感多粒度三支决策模型的决策准确性,并在给定代价情况下更快地获得总代价最小的最优粒层。

直觉模糊信息系统下的三支决策模型

基于直觉模糊数的标准海明距离和相异度,分别定义了直觉模糊信息系统下对象间的相容度和相异度概念,并给出相关的性质.进而分别定义了直觉模糊相容关系下的(α,β)-水平截集R_α~β和决策目标概念下的(α,β)-水平截集X_α~β,并验证水平截集R_α~β为直觉模糊相容关系及其具有的性质.以定义的粗糙隶属度作为评价函数导出目标集的上下近似集及其三个域:正域、负域和边界域,进一步研究了一些性质.根据贝叶斯决策理论构建一种基于直觉模糊信息系统下的三支决策模型及其规则提取算法.最后通过算例说明方法的可行性和有效性.

人工智能专业建模与算法类课程创新性教学探索

人工智能是为适应国家新一代人工智能发展需求,面向新一代信息技术发展与产业变革而设立的新专业。数学建模是联系生活与数学之间的重要桥梁,在各个领域中都发挥着举足轻重不可估量的作用。其本质内容是学生综合运用数学和计算机科学等学科知识解决现实问题。数学建模知识对学生的思维能力、解题能力、探索能力都有着非常重要的培养作用。此外,数学建模竞赛已成为规模最大的基础性学科竞赛,得到了全国高校的普遍重视。然而,现阶段数学建模课程教学中仍存在方法陈旧、学分少等一系列问题,影响了学生综合能力的培养和提升。因此,进行数学建模课程的教学创新对于探索具有重要的意义。

人脸识别中的多粒度代价敏感三支决策

探索了多粒度三支决策方法在人脸识别中的应用,提出了两种图像粒化方法以模拟不同粒度下的视觉效果,并由此得到不同粒度的人脸图像。之后,针对不同粒度图像,分别采用代价敏感三支决策方法求得相应粒度下的最小代价决策。最后,通过在ORL和PIE人脸数据库上的实验,验证了多粒度代价敏感三支决策在模拟人们决策方面的有效性。