Artificial intelligence 神经网络项目理念

我是一名计算机专业的学生，主修人工智能。我现在正在为我最后一年的项目研究课题，我对神经网络很感兴趣，尽管我几乎不知道它

我现在正在考虑的主题是语言和音乐，所以我在寻找一些关于语言和音乐的神经网络可以做什么的建议。也可以为不同的领域提供建议

任何输入，建议，链接，建议或指针将不胜感激。谢谢！：）

更新：所以我缩小了我最可能做的主题：

基于神经网络的音乐流派分类

基于神经网络的文本挖掘

我的问题是，这两种方法是否都太先进，本科生无法完成？

看一看 看看你能不能找到你喜欢的话题

<>如果你有C++和C的经验，学习Matlab就更容易了。 关于您要使用的主题，我建议您查看上面的链接，并尝试查找您喜欢的可应用于NN的内容，搜索acm、ieee或其他存储库中有关NN的论文，并查看是否还可以找到有关您可能要查找的主题的研究或报告

---

祝你好运。

对不起，我会把事情简单化，但我想稍微驱散一点迷雾。简单的神经网络是一种近似函数的方法，称之为f，从（通常）R^n（维数为n的实向量空间）到R^m等等。假设m=1。你不需要寻找一个多项式P（x_1，…，x_n）来基于一组样本（P，f（P）），而是寻找参数a_i，b_ij，比如s（a_1*s（b_11*x_1+b_n1*x_n）+…+a_t*s（b_1t*x_1+b_nt*x_n）），其中s是“sigmoid”函数，这样这个奇怪的函数就能很好地匹配你的样本

这种动机被认为是生物学上的。“训练算法”包括依次调整上述a_i、b_ij的值，以便通过最速下降的某种变体，样本点p处的结果函数值“平均”接近f（p），据称，在某些情况下具有良好的性能。在90年代，神经网络被大量炒作所包围，但考虑到它的真实目标是基于样本近似未知函数（与炒作目标是“模仿人脑”或类似的东西相反），许多其他近似方案被建议用于相同的范围-例如SVM(“支持向量机”），它有一个更吸引人的理由（当你在研究文章中看到寻找工作“正确内核”的黑魔法后，通常也会产生误导）

然而，关键是，只要你为工作选择了正确的“功能”（即，找到一种好方法将你的音乐样本转换为100维的点，例如，

---

向量空间），因此类型X的点将“接近”类型X的其他点，类型Y的点将“接近”类型Y的点，类型X的点将远离类型Y的点，您可以使用NN、SVM、决策树或任何您喜欢的方法来分离类型（虽然精度和效率可能会有所不同）。关键是找到正确的功能集——至少如果我们从这个意义上理解人工智能（但如果这是唯一的意义，我认为IBM Watson是不可能的……）

关于神经网络，谷歌技术有一个非常好的说法

若你们真的想用神经网络来完成你们的项目，那个么花一个小时是值得的

至于文本与音乐。神经网络是很好的分类器。它们很容易使用具有真/假、开/关分类的静态数据进行教学。当网络需要将输入分类到集合中时，更具挑战性

神经网络在流式数据传输方面最麻烦。有一些众所周知的技术可以实现这一点，但仅凭你的直觉还不够。你需要看看其他科学家做了什么，并复制他们的技术。否则，你将冒着巨大的风险，创建一个问题空间。神经网络不适合学习

我认为通过神经网络传输音乐波形不会得到有趣的结果。你需要将数据预处理成可用的格式

你最不需要的是大量的数据。数据越多越好。你需要烘焙的数据及其分类。数十万。你将无法手动对一些数据进行分类以创建学习数据集

所以考虑到所有这些，文本分类比音乐更可行

---

Neural Newworks需要大量的数据。Wikipedia非常庞大，每个页面都有大量的元信息（人气、质量、编辑计数等）。谷歌也可以获得大量的数据，这些数据有特定的分类，比如“快乐的狗”和“悲伤的狗”，或者只是“狗”“谷歌的排名在哪里？分类。

根据我的经验，音乐流派分类对于一个本科生项目来说太难了。问题是，在你找到“有趣的东西”之前”应用神经网络分类器，你需要做各种各样的信号处理基础来为网络产生有意义的特征向量。考虑每分钟的节拍：它对于某些类型的音乐是可靠的，但远不止于此。如果你还想继续下去，请看使用像LbxToul这样的工具作为基本工具。

---

在这里，我学习了所有与神经网络相关的人工智能算法。该API是了解所需内容的一个非常好的方法，以了解正在发生的事情。此后，我为自己创建了一个API，我在模拟Boid选择时经常使用它。这不是真的必要，但它很有效。

选择语言时，也要考虑您的想法比如，C#可能会战胜VB.Net。我的第一份研究生工作主要是基于我的专业知识