新智元来源

清华北大留不住,高中毕业去美国读AI本科值不值?

高中毕业后去美国学AI正成为越来越多高中生的选择。这无疑为中国AI人才流失雪上加霜。学AI应该去美国还是就留在中国?本文以CMU、MIT、清华和南大的人工智能及计算机科学本科专业课程设置为例,或许能给你一些启发。

“清华北大也没有什么不好,”Jim说:“但我想趁年轻的时候多出去看看世界,多接触一下不同的文化和学术氛围。”

Jim是斯坦福大学的博士生,他的导师不是别人,正是前斯坦福人工智能实验室负责人、现今斯坦福以人为本人工智能研究院共同院长、斯坦福视觉实验室主任李飞飞教授。

高中毕业后,Jim去美国哥伦比亚大学读计算机,大二的时候修了自然语言处理大牛Michael Collins(现在Google New York)的NLP课程,跟着Collins教授的一名博士生一起做语音识别,那时候还没有“端到端”的概念。后来,Jim去百度实习,当时吴恩达还在百度担任首席科学家,Jim参与的第一个深度学习项目,就是后来被《麻省理工科技评论》评为“2016年全球十大技术突破”之一的深度语音识别系统Deep Speech 2。

“我参与核心框架研发,直接编写GPU CUDA代码。那是一次非常有收获的经验。”Jim说。

除了吴恩达,与Jim合作过(包括发表论文)的学者还有 Yoshua Bengio、Aaron Courville、Percy Liang、Adam Coates、李佳、韩梅、Andrej Karpathy、John Schulman,以及李飞飞教授。或许有个别名字你还不熟,但相信我,无论是哪一位,都是当今人工智能领域响当当的大牛。

如今,像过去的Jim一样,想在高中毕业后就出国看世界的中国学生越来越多。而在人工智能火热的当下,他们中有相当部分的人把目光瞄准了人工智能

中国希望在2030年前成为全球主要的人工智能创新中心,但根据斯坦福网络数据挖掘和调研公司Diffbot的一份最新报告,中国高校培养的机器学习人才,有超过62%的人选择去美国发展。

现在,这一趋势更呈现出低龄化的倾向。

近来包括清北在内的中国高校如雨后春笋般冒出的人工智能本科专业,似乎并没有引起这部分学生和家长的兴趣,他们的目标非常明确——高中毕业就去美国学AI。

中美本科AI,区别和差距有多大?

中国高校设AI本科:更注重打基础

以大名鼎鼎的南京大学人工智能本科专业为例。南京大学人工智能学院成立于2018年,由国际人工智能领域著名学者、欧洲科学院外籍院士周志华教授担任院长。

学院目前设置“机器学习数据挖掘”、“智能系统与应用”这两个专业方向,目标是培养具有坚实的数学基础和计算 / 程序基础、全面深入的人工智能专业知识、丰富的应用实践能力,在人工智能领域具有源头创新能力和解决企业关键技术难题能力的专业精英人才。

南大人工智能学院本科阶段一年级的教学计划如下:

南京大学在一年级就加入了《人工智能企业实践》这门课。

对比南大计算机科学与技术专业本科教学计划[3](点击图片放大查看),南大人工智能本科的数学基础课程明显加重:

除了南大人工智能本科,清华大学计算机本硕博,是另一条在中国求学AI的“黄金路线”。

清华大学计算机科学与技术专业的本科生,要运用所掌握的理论知识和技能,从事计算机科学理论、计算机系统结构、计算机网络、计算机软件及计算机应用技术等方面的科研、开发与教育工作。

培养总学分不少于170,其中春、秋季学期课程总学分138,夏季学期实践环节17学分,综合论文训练15学分。其中,计算机科学与技术专业核心课程共5门(14 学分),分别是:操作系统(3学分)、编译原理(2学分)、形式语言与自动机(2学分)、人工智能导论(2学分)、专业实践(5学分)。

其他还有公共基础课程,比如思想政治理论、体育、外语,以及文化素质课,比如哲学与伦理、艺术与审美。

以下是2018年清华大学交叉信息研究院的2018春季课程[2]。交叉信息研究院又称“叉院”,由图灵奖获得者姚期智教授领衔。

叉院计算机科学实验班特设全英文教学的专业及核心课程 25 门,覆盖计算机科学的前沿领域,学生可根据自身研究兴趣在专业核心课中按要求进行选择性修读。

其中大一、大二专业核心课开设 13 门,以“通才教育”为主,涉及计算机科学基本专门知识,帮助学生全面了解计算机科学前沿领域;大三、大四专业核心课开设 12 门,以“专才教育”为主,分别面向两个专业方向“理论和安全”以 及“系统和应用”。

叉院25 门专业及核心课程如下:计算机入门、计算机应用数学、普通物理(1)英、信息物理、算法设计、普通物理(2)、计算理论、网络科学、密码学基础、博弈论、近代物理(1)英、计算机安全的理论及实践、Java 程序设计基础、分布式计算(基础与系统)、量子信息、大数据算法与模型、机器学习、高等计算机图形学、近代物理(2)英、计算机网络基础、操作系统、计算生物学、信息论与网络编码、专题训练实践、计算机科学研究实践。

其中,量子计算、密码安全、计算生物学以及近代物理等课程,充分体现了“叉院”的特点。学生在第四学年(第7、8学期)将在清华或各著名科研院所从事实际专题研究与实践。培养过程以在清华大学为主,优秀学生将有机会派往国外参加国际交流及培训。

下面是姚班2018秋季课程表[4]:

高中毕业去国外学AI:更多自由探索

对于想尽早跨出国门看世界的学生而言,吸引他们的不仅是课程设置,更是国外自由的学术和探索空间。

目前,在美国只有卡耐基梅隆大学(CMU)设有人工智能本科。因此,要去美国学AI,更常见的路线将是先读计算机专业本科,而后再选择AI相关的硕博士项目。

1、选择CMU的人工智能本科

根据官网介绍,想学CMU人工智能本科的高中生,需要首先申请CMU计算机科学学院(SCS)的本科生,撰写PS时明确表示自己对AI培养计划(BSAI)的兴趣。

进入计算机科学学院读完第一年后,方可申报人工智能专业。不过,不是你想学就能学,每个班级只有大约35名学生可以报名申请,而AI课程一共接收大约100名学生。

在四年的学习过程中,学习需要学习包括数学和统计核心课程、计算机科学核心课程、人工智能核心课程、道德、AI细分方向、人文艺术、一般科学和工程学等大类的至少 30 门课程。总的来说,核心课程以人工智能为核心,分为以下七大版块(要了解课程大一、大二等时间排序详见官网[1]):

数学与统计核心(6门课程)

  • 计算机科学数学基础(可用“数学概念”替代)

  • 微分和积分微积分

  • 积分与逼近

  • 矩阵和线性变换

  • 计算机科学家的概率论

  • 现代回归

计算机科学核心(5门课程和新生入境课程)

  • 新生移民课程

  • 势在必行的计算原则

  • 函数编程原理

  • 并行和序列数据结构和算法

  • 计算机系统简介

  • 计算机科学的伟大理论思想

人工智能核心(人工智能中的3个课程和概念)

  • 人工智能概念(小型,春季学期)

  • AI表示和问题解决入门

  • 机器学习入门

  • 选修课(二选一):

    • 自然语言处理简介

    • 计算机视觉导论

道德选修课(以下1门课程)

  • 新生研讨会:人工智能与人文

  • 计算中的道德与政策问题

  • 人工智能、社会与人文

人文与艺术(7门课程,必须有认知科学和认知心理学)

  • 认知心理学

  • 人类信息处理与人工智能

  • 感知

  • 人类记忆

  • 视觉认知

  • 认知建模

  • 语言与思想

  • 在人类和机器中学习

AI 细分方向选修课(4门课程,从以下每个领域学习一门)

  • 决策与机器人细分方向

    • 神经计算

    • 真理,正义与算法

    • 认知机器人

    • 人工智能的战略推理

    • 机器人规划技术

    • 移动机器人编程实验室

    • 机器人运动学和动力学

    • 规划、执行和学习

  • 机器学习细分方向

    • 深度强化学习和控制

    • 文本挖掘的机器学习

    • 深度学习简介

    • 高级数据分析

  • 感知和语言细分方向

    • 搜索引擎

    • 语音处理

    • 计算感知

    • 计算摄影

    • 视觉传感器

  • 人工智能交互细分方向

    • 设计以人为本的系统

    • 人机交互

    • 向人学习

    • 智能产品和服务设计工作室

SCS选修课

BSAI学生在计算机科学学院学习两门选修课。

科学与工程

BSAI学生参加四门科学和工程课程,作为SCS通识教育要求的一部分。

2、选择MIT计算机科学本科

如果不去CMU学AI,而是走更常见的先计算机本科然后再学人工智能路线,让我们以MIT为例。

下面是MIT计算机科学本科专业课程设置:

必修课(4门):

  • 计算机科学与程序设计概论;或计算机科学Python程序设计入门;或计算思维与数据科学概论(三选一)

  • 计算机科学数学;或离散应用数学原理(二选一)

  • 编辑基础

  • 算法简介

选修课(分初级和高级课程,学生需要从中选择两门课,其中一门必须从高级课程中选择):

初级

  • 计算机体系结构

  • 推理入门

  • 人工智能

高级

  • 软件构建

  • 计算机系统功能

  • 机器学习简介

  • 自动化、可计算性和复杂性;或者计算理论(二选一)

  • 算法的设计与分析

  • 软件开发

在美国,诺贝尔奖得主照样给本科生上课

从课程设置上来看,除了专业知识,美国大学也十分注重基础学科的培养。

哲学、人文乃至政策等宽泛的基础课程,有利于拓展学生视野和思维,为将来求学和工作给出更广博的选择。

但更令人关注的,是美国本科教育为学生与世界一流科学家接触所提供的机会。

“我没有在中国读本科,因此这方面没有发言权,”Jim告诉我们:“我能说的只是,在美国和教授交流非常方便,不管你是大二的学生还是PhD,他们都会热心解答你的问题,推荐信也写得很好。例如我这次去纽约,教授亲自迎接我,最后大家都会成为很好的朋友。”

采访中,几乎每位老师和学生都表示,在美国读大学与顶级教师的交流机会很多,而这是在中国高校很难见到的。

“美国的顶级教授,哪怕获得了诺贝尔奖,也照样要给本科生上课,教学任务一点也不会减少。”昆山杜克大学应用科学与工程研究院以及大数据研究中心主任李昕教授告诉我们。李昕教授同样也在美国杜克大学任教。 

“这是中美高校课程设置的不同,美国高校每门课都有 Office Hour,每周1-2个小时,这个时间段老师必须在,学生可以去任意问问题。”李昕教授说。

“尤其是美国的私立学校,教授会花相当大的时间和精力用于教学,这比同档次的中国高校投入很多。”杜克大学电子与计算机工程系副教授陈怡然表示,虽然陈怡然教授并不太推荐高中生毕业后直接去美国学AI。

“美国不像中国,有专门的人工智能本科,虽然会有相关的方向。”陈怡然说:“到美国念一个排名不靠前的高校,再出来读研究生,并不见得比读中国985高校有优势。”

中美AI专业学生对比:中国学生基础扎实,美国学生动手能力强

在课程的建设中,不仅需要对具体科目或课程类型精心设计,还不能忽视对课程整体性和系统性的关照。课程结构的好坏影响课程整体功能和目标的达成。

“对于工学院来说,中国学生的理论知识一般都比较强,基础比较扎实,”李昕教授告诉我们:“而美国学生则是动手能力强。”

“相比中国高校的上课、作业然后考试,美国本科教育非常侧重课程项目(course project),这有助于促进学生的实践能力。但反而来,美国工科学生的理论功底则不那么牢靠。对科研感兴趣的美国工科学生,会在本科阶段去其他院系选修数学、物理等理论相关的课程,增强自己的理论基础,为博士研究做好铺垫。”

李昕教授表示,在专业设置上,中国的“动作很快”,目前很多中国高校设置了大数据本科专业。“如果大数据真的很有用,像计算机科学一样,那么这当然是好事。但是,如今我们并不知道五年后、十年后情况如何。在这一点上,美国设立新的本科专业比较谨慎。”

“我们昆山杜克大学在2018年设立了大数据专业,该专业在设置上强调与行业相结合,学生在大数据专业以外还要学习某一个由学生自己选择的传统行业知识,比如制造业或金融,”李昕教授说:“大数据未来发展的一个最大难点就是缺乏复合型的人才。要找到一个既懂数据又懂专业领域的双料人才非常困难,所以培养跨学科的人才是我们昆山杜克学校的一个重要任务。”

“当然,越早去美国越容易融入当地文化和社会,对于以后长期在美国发展有一定帮助,”李昕教授说:“但是,过早出国也容易变成‘香蕉人’,虽然是黄皮肤,但对中国文化和传统却了解不多。”

而这,不仅仅是尽早出国学AI才会有的问题。

该去美国学AI还是在中国学AI?

现在,人工智能在美国和中国都会受到同样的重视,在未来几年,可以预见两国都会在AI教育方面投入大量的资源。

“学生都会想选择最好的学校、最好的平台、最好的老师、最好的同学。”南京大学计算机科学与技术系副教授俞扬表示:“但什么是‘最好’,不同的人有不同的定义。”

“有些顶级学校对学生素质要求非常高,如果达不到这一标准,学习起来会非常吃力,如果在这样一个团体里排在靠后的位置,对学生个人的自我评估有一定负面影响。”俞扬说,他同时也在南京大学最新成立的人工智能学院授课。

南京大学的官网上,特别强调“在师资力量方面,高水平教师团队100%进入本科教学环节,本科生就能获得接触前沿研究和高水平应用实践的机会”。

俞扬表示,现在美国高校里想学人工智能的学生非常多,申请本科和博士竞争都很激烈。“有很多杰出的教授被工业界吸引,离开了高校,导致美国高校师资力量有所减弱。虽然在企业里也能进行学生培养,但这跟高校教育还是不大一样。”

随着这几年中国大力投入,中国人工智能和国际学术界交流非常频繁,“从相关顶会的程序主席、论文录用情况和会议赞助等方面看,中国和全球对接已经非常好。”

南京大学人工智能学院和美国、欧洲、日本、加拿大及香港地区建立了长期稳定的国际交流机制,设立专项基金支持本科学生的国际交流,可以出国访学、留学、交换。

人工智能学院还没有成立的时候,我们带领本科生发表论文,也顺利被美国硕士项目的录取,”俞扬说:“从目前的人工智能来看,国内也有自己的优势,比如与国内的企业合作,企业里有很多新奇的应用,大量的数据和大量的计算资源,这些优势中有一些甚至可能是超过美国的。”

俞扬认为,无论是去美国读AI还是在中国读AI,环境很重要,但自身的兴趣更重要。“如果不是真正感兴趣,能够全身心地投入这样的研究方向,否则很难发挥全部潜力。每一个火的方向都有冷的时候,建议同学们选择专业的时候,不要太受外部环境影响,因为当遇到挫折和困难时,只有自己的兴趣爱好,才是坚持下去最大的动力。”

参考资料

  1. https://www.cs.cmu.edu/bs-in-artificial-intelligence/curriculum

  2. http://www.tsinghua.edu.cn/publish/newthu/newthu_cnt/education/pdf/bkzy_18.pdf

  3. http://cs.nju.edu.cn/1689/list.htm

  4. http://iiis.tsinghua.edu.cn/show-7129-1.html

THU数据派
THU数据派

THU数据派"基于清华,放眼世界",以扎实的理工功底闯荡“数据江湖”。发布全球大数据资讯,定期组织线下活动,分享前沿产业动态。了解清华大数据,敬请关注姐妹号“数据派THU”。

产业语音识别北京大学清华大学数据挖掘机器学习库自然语言处理
21
相关数据
李佳人物

李佳,此前曾任谷歌云机器学习/人工智能研发负责人(Head of R&D, AI/ML, Senior Director at Cloud,Google)。本科毕业于中国科大自动化系。新加坡南洋理工大学硕士。在伊利诺伊大学香槟分校、普林斯顿大学与斯坦福大学跟随李飞飞从事计算机视觉研究。2011 年获斯坦福大学计算机科学博士。曾在谷歌实习,2011 年加入雅虎,2014 年成为雅虎资深研究员,开始领导雅虎实验室的视觉计算和机器学习部门。2015 年 2 月,Snapchat 聘请李佳担任公司研发主管。2016 年加入谷歌。2018年11月从谷歌离职,全职参与斯坦福医学院智能医院项目。

吴恩达人物

斯坦福大学教授,人工智能著名学者,机器学习教育者。2011年,吴恩达在谷歌创建了谷歌大脑项目,以通过分布式集群计算机开发超大规模的人工神经网络。2014年5月16日,吴恩达加入百度,负责“百度大脑”计划,并担任百度公司首席科学家。2017年3月20日,吴恩达宣布从百度辞职。2017年12月,吴恩达宣布成立人工智能公司Landing.ai,并担任公司的首席执行官。2018年1月,吴恩达成立了投资机构AI Fund。

周志华人物

周志华分别于1996年6月、1998年6月和2000年12月于 南京大学计算机科学与技术系获学士、硕士和博士学位。主要从事人工智能、机器学习、数据挖掘 等领域的研究工作。主持多项科研课题,出版《机器学习》(2016)与《Ensemble Methods: Foundations and Algorithms》(2012),在一流国际期刊和顶级国际会议发表论文百余篇,被引用三万余次。

李飞飞人物

李飞飞,斯坦福大学计算机科学系教授,斯坦福视觉实验室负责人,斯坦福大学人工智能实验室(SAIL)前负责人。专业领域是计算机视觉和认知神经科学。2016年11月李飞飞加入谷歌,担任谷歌云AI/ML首席科学家。2018年9月,返回斯坦福任教,现为谷歌云AI/ML顾问。10月20日斯坦福大学「以人为中心的AI计划」开启,李飞飞担任联合负责人。11月20日李飞飞不再担任SAIL负责人,Christopher Manning接任该职位。

俞扬人物

博士(导师为周志华),南京大学副教授,南京大学机器学习与数据挖掘研究所(LAMDA)成员。主要研究领域为人工智能、机器学习、演化计算、数据挖掘。

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

数据分析技术

数据分析是一类统计方法,其主要特点是多维性和描述性。有些几何方法有助于揭示不同的数据之间存在的关系,并绘制出统计信息图,以更简洁的解释这些数据中包含的主要信息。其他一些用于收集数据,以便弄清哪些是同质的,从而更好地了解数据。 数据分析可以处理大量数据,并确定这些数据最有用的部分。

深度强化学习技术

强化学习(Reinforcement Learning)是主体(agent)通过与周围环境的交互来进行学习。强化学习主体(RL agent)每采取一次动作(action)就会得到一个相应的数值奖励(numerical reward),这个奖励表示此次动作的好坏。通过与环境的交互,综合考虑过去的经验(exploitation)和未知的探索(exploration),强化学习主体通过试错的方式(trial and error)学会如何采取下一步的动作,而无需人类显性地告诉它该采取哪个动作。强化学习主体的目标是学习通过执行一系列的动作来最大化累积的奖励(accumulated reward)。 一般来说,真实世界中的强化学习问题包括巨大的状态空间(state spaces)和动作空间(action spaces),传统的强化学习方法会受限于维数灾难(curse of dimensionality)。借助于深度学习中的神经网络,强化学习主体可以直接从原始输入数据(如游戏图像)中提取和学习特征知识,然后根据提取出的特征信息再利用传统的强化学习算法(如TD Learning,SARSA,Q-Learnin)学习控制策略(如游戏策略),而无需人工提取或启发式学习特征。这种结合了深度学习的强化学习方法称为深度强化学习。

计算机图形技术

图像数据处理、计算机图像(英语:Computer Graphics)是指用计算机所创造的图形。更具体的说,就是在计算机上用专门的软件和硬件用来表现和控制图像数据。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

数据科学技术

数据科学,又称资料科学,是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。数据科学通过运用各种相关的数据来帮助非专业人士理解问题。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

计算机视觉技术

计算机视觉(CV)是指机器感知环境的能力。这一技术类别中的经典任务有图像形成、图像处理、图像提取和图像的三维推理。目标识别和面部识别也是很重要的研究领域。

数据挖掘技术

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。 数据挖掘过程的总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。

操作系统技术

操作系统(英语:operating system,缩写作 OS)是管理计算机硬件与软件资源的计算机程序,同时也是计算机系统的内核与基石。操作系统需要处理如管理与配置内存、决定系统资源供需的优先次序、控制输入与输出设备、操作网络与管理文件系统等基本事务。操作系统也提供一个让用户与系统交互的操作界面。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

博弈论技术

博弈论,又译为对策论,或者赛局理论,应用数学的一个分支,1944年冯·诺伊曼与奥斯卡·摩根斯特恩合著《博弈论与经济行为》,标志着现代系统博弈理论的的初步形成,因此他被称为“博弈论之父”。博弈论被认为是20世纪经济学最伟大的成果之一

语音识别技术

自动语音识别是一种将口头语音转换为实时可读文本的技术。自动语音识别也称为语音识别(Speech Recognition)或计算机语音识别(Computer Speech Recognition)。自动语音识别是一个多学科交叉的领域,它与声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等众多学科紧密相连。由于语音信号的多样性和复杂性,目前的语音识别系统只能在一定的限制条件下获得满意的性能,或者说只能应用于某些特定的场合。自动语音识别在人工智能领域占据着极其重要的位置。

自然语言处理技术

自然语言处理(英语:natural language processing,缩写作 NLP)是人工智能和语言学领域的分支学科。此领域探讨如何处理及运用自然语言;自然语言认知则是指让电脑“懂”人类的语言。自然语言生成系统把计算机数据转化为自然语言。自然语言理解系统把自然语言转化为计算机程序更易于处理的形式。

微积分技术

微积分(Calculus)是高等数学中研究函数的微分(Differentiation)、积分(Integration)以及有关概念和应用的数学分支。它是数学的一个基础学科。内容主要包括极限、微分学、积分学及其应用。微分学包括求导数的运算,是一套关于变化率的理论。它使得函数、速度、加速度和曲线的斜率等均可用一套通用的符号进行讨论。积分学,包括求积分的运算,为定义和计算面积、体积等提供一套通用的方法 。

分布式计算技术技术

在计算机科学中,分布式计算,又译为分散式運算。这个研究领域,主要研究分布式系统如何进行计算。分布式系统是一组电脑,通过网络相互链接传递消息与通信后并协调它们的行为而形成的系统。组件之间彼此进行交互以实现一个共同的目标。

文本挖掘技术

文本挖掘有时也被称为文字探勘、文本数据挖掘等,大致相当于文字分析,一般指文本处理过程中产生高质量的信息。高质量的信息通常通过分类和预测来产生,如模式识别。文本挖掘通常涉及输入文本的处理过程,产生结构化数据,并最终评价和解释输出。'高品质'的文本挖掘通常是指某种组合的相关性,新颖性和趣味性。

语音处理技术

语音处理(Speech processing),又称语音信号处理、人声处理,其目的是希望做出想要的信号,进一步做语音辨识,应用到手机界面甚至一般生活中,使人与电脑能进行沟通。

信息论技术

信息论是在信息可以量度的基础上,研究有效地和可靠地传递信息的科学,它涉及信息量度、信息特性、信息传输速率、信道容量、干扰对信息传输的影响等方面的知识。通常把上述范围的信息论称为狭义的信息论,又因为它的创始人是香农,故又称为香农信息论。

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

移动机器人技术

移动机器人是一种能够移动的自动机器。移动机器人具有在其环境中移动的能力,并且不固定到一个物理位置。移动机器人可以“自动”主要是指它们能够在没有物理或机电引导装置的情况下导航非受控环境。相比之下,传统的工业机器人或多或少都是固定的(stationary)机械臂或抓取组件。

啧啧,屁股决定脑袋,一心想着蹭热点