大工《人工智能》大作业参考题目及要求647.docxVIP

一、引言

人工智能作为引领未来发展的战略性技术，其重要性日益凸显。《人工智能》课程作为高等院校相关专业的核心课程，旨在培养学生掌握AI的基本理论、关键技术与应用方法。课程大作业作为连接理论学习与实践应用的重要纽带，对于提升学生的综合能力、创新思维和问题解决能力具有不可替代的作用。本指南旨在为大连理工大学（以下简称“大工”）《人工智能》课程的同学们提供一系列具有参考价值的大作业题目及相应要求，以期引导同学们更好地开展实践探索，深化对AI技术的理解与应用。

本参考题目库力求覆盖人工智能的多个主流方向，兼顾经典算法与前沿应用，难度梯度适中，既鼓励同学们巩固基础，也倡导适度创新。同学们在选题时，应结合自身兴趣、知识储备、以及可获得的资源进行综合考量，选择最能发挥自身潜能、并能切实完成的题目。

二、总体要求

1.选题自主性与原创性：鼓励同学们在参考题目基础上进行拓展或自主命题，但所选题目需与人工智能核心技术相关，并确保研究内容与实现方案的原创性，严禁抄袭。

2.问题导向与实用性：选题应尽可能来源于实际问题或具有明确的应用场景，鼓励将AI技术应用于解决具体领域的挑战，体现其应用价值。

3.工作量与难度适中：大作业应能体现一定的工作量，确保学生在规定时间内通过努力可以完成。题目难度应与课程教学内容相匹配，并能对学生构成适当挑战，促进其能力提升。

4.文档规范与完整性：需提交完整的大作业报告，报告应结构清晰、逻辑严谨、图文并茂，包括问题描述、相关工作、方案设计、实验过程与结果分析、总结与展望等部分。

5.代码规范与可复现性：若涉及编程实现，代码需规范、可读性强，并提供必要的注释和说明文档，确保实验结果的可复现性。

6.学术诚信：严格遵守学术诚信准则，引用他人成果时需明确标注。

三、参考题目及具体要求

以下题目按不同AI技术方向进行分类，供同学们参考选择。

（一）机器学习基础应用

1.题目名称：基于机器学习的鸢尾花（或其他公开数据集）分类与模型评估比较

*背景与意义：分类是机器学习的基础任务。本课题旨在通过经典数据集，深入理解不同分类算法的原理与应用。

*主要任务：

*选择至少三种经典分类算法（如决策树、SVM、朴素贝叶斯、逻辑回归、k近邻等）。

*对数据集进行探索性分析、预处理（如归一化、特征选择/降维）。

*实现所选算法（可基于现有库，但需理解核心原理），划分训练集与测试集。

*对各模型进行训练、调优，并采用多种评估指标（如准确率、精确率、召回率、F1值、混淆矩阵、ROC曲线等）进行综合比较。

*分析不同算法在该数据集上的表现差异及原因。

*技术要求与提示：建议使用Python语言，可选用Scikit-learn等机器学习库。重点在于理解算法原理、数据预处理的重要性及模型评估方法。

2.题目名称：基于回归分析的房价（或其他连续值预测）预测模型

*背景与意义：回归分析是预测连续型变量的常用方法，在经济、金融、房地产等领域有广泛应用。

*主要任务：

*获取并预处理房价（或其他如股票价格、气温等）相关数据集。

*进行特征工程：探索特征间相关性、处理缺失值、异常值、类别型特征编码等。

*构建至少两种回归模型（如线性回归、岭回归、Lasso回归、决策树回归、随机森林回归等）。

*利用交叉验证进行模型选择与超参数调优。

*使用适当的评估指标（如MSE、RMSE、MAE、R2等）评估模型性能，并分析模型的优缺点及改进方向。

*技术要求与提示：关注特征工程对模型性能的影响，理解正则化的作用。

（二）深度学习应用

3.题目名称：基于深度学习的图像分类系统

*背景与意义：图像分类是计算机视觉的基础任务，在安防、医疗、自动驾驶等领域应用广泛。

*主要任务：

*选择一个公开图像数据集（如CIFAR-10/100的子集、Fashion-MNIST等）或自行构建小型特定类别图像数据集。

*构建并训练至少一种深度学习模型（如简单CNN、经典CNN架构如LeNet、AlexNet的简化版等）。

*对比不同网络结构、超参数（如学习率、batchsize）或优化器对模型性能的影响。

*对训练过程进行可视化（如损失函数曲线、准确率曲线），对测试结果进行分析。

*技术要求与提示：建议使用TensorFlow/Keras或PyTorch框架。理解CNN的核心组件（卷积层、池化层、全连接层）及其作用。

4.题目名称：基于深度学习的文本情感分析

*背景与意义：文本情感分析旨在识别文本中蕴含的主观情感色彩，在舆情分析、产品评论、客户服务等方面有重要应用。

*主要任务：

*选择合适的文本数据