bt365手机平台-下载首页

  • 学生参加bt365手机app追求UROP包括智能资助项目:妮可·舒马,乔安妮元,朱利安看到,安德烈·杜米特雷斯库,保罗离开 - 阿吉雷和Dolapo adedokun(顺时针从左上角)。

    学生参加bt365手机app追求UROP包括智能资助项目:妮可·舒马,乔安妮元,朱利安看到,安德烈·杜米特雷斯库,保罗离开 - 阿吉雷和Dolapo adedokun(顺时针从左上角)。

    照片面板:萨曼莎笑脸

    全屏

将人工智能引入课堂,研究实验室,并超越

学生参加bt365手机app追求UROP包括智能资助项目:妮可·舒马,乔安妮元,朱利安看到,安德烈·杜米特雷斯库,保罗离开 - 阿吉雷和Dolapo adedokun(顺时针从左上角)。

通过本科生研究机会计划,学生工作,以构建人工智能随着影响的工具。


记者联系

金·马蒂诺
电子邮件: kimmarti@mit.edu
电话:617-710-5216
bt365手机app追求情报

人工智能正在改变我们的生活,学习和工作,而今年秋天,bt365手机app的大学生一定要探索和建立一些bt365手机app来研究实验室的各项工具。通过 本科生研究机会计划 (UROP),学生工作与研究人员在bt365手机app追求智力和其他地方的项目改进的AI识字和K-12教育,了解面部识别和大脑是如何形成新的记忆,加快繁琐的任务,如编目新的素材库。六个项目如下特点。

吉波编程开拓一条情感的纽带与孩子

妮可舒马遇见了她的第一个机器人在她5岁,在博物馆。 “这是令人难以置信的,我可以有一个谈话,甚至是简单的对话,本机的,”她说。 “这让我想到的机器人都是人造的,最复杂的事情,这让我想更多地了解他们。”

为社会吉波机器人现在的高级bt365手机app,度过了去年秋天舒马写作对话,心血结晶 bt365手机app媒体实验室 副教授 辛西娅·布雷泽尔。通过Breazeal和研究员在UROP项目合作建议 HAE赢得公园,舒马情绪,适当的脚本对话,以帮助吉波债券,同时播放与学生学习练习在一起。

因为感情是复杂的,舒马上一组她的对话基本感情riffed - 快乐/悲伤,通电/累了,好奇/无聊。如果吉波感到悲伤,但充满活力和好奇,她可能会编程可以说,“我今天的心情不好的事,但总能给我这是我的朋友聊天,所以我很高兴我跟你玩“累了,伤心,无聊,吉波可能会说,用它的头的倾斜,”我不觉得非常好。它就像我的电线今天所有混合起来。我认为活动将帮助ESTA我感觉更好。“ 

在这些简短交流,吉波脆弱的一面和STI车型教孩子们如何表达自己的情绪。在互动结束后,孩子们可以给吉波虚拟标志拿起它的情绪或能量水平。 “他们能看到什么样的影响,他们对别人说:”舒马。在所有的,她写了80行对话中,一种体验,导致了她在bt365手机app留在机器人的梦。帮助建立了jibos她现在在幼儿园的教室在格鲁吉亚,提供为他们读故事,玩文字游戏有了他们的人类同伴的情感和智力支持。

了解熟悉的面孔中脱颖而出的原因

与快速浏览,朋友和熟人的面孔从那些陌生人跳出来。大脑如何做呢? 南锡·卡威舍在的实验室 脑与认知科学系 (BCS)正在建造的计算模型来理解脸部识别过程。 两个重要发现:大脑开始其认识的身份,然后注册的人脸的性别和年龄,以及脸部感觉是熟悉的面孔更稳健。

ESTA下降,二年级的学生工作乔安妮元含博士后 卡塔琳娜DOBS 要理解为什么会是这样。此前实验中,受试者被美国名人和德国名人的陌生面孔的家庭所示的面孔多张照片时的大脑活动是他们测得的脑磁图。被试发现DOBS年龄和性别,无论之前的名人的身份处理的脸很熟悉。但他们在拆包的面孔,他们知道,像斯嘉丽·约翰逊的性别和身份,比如要好得多。 DOBS表明,对于熟悉的面孔改进性别和身份识别是由于前馈机制,而不是从信息自上而下存储器检索。 

这两种工具万元已经探索出一种模型的假设,卷积神经网络(细胞神经网络),现在在面部识别广泛使用。她训练CNN的脸图像和层以了解研究了它的它的处理步骤。她找到了模型,如DOBS'人类受试者的身份出庭工艺性别和年龄,这两种细胞神经网络这与大脑类似的方式被引为人脸识别。在另一项实验中,两个训练有素的细胞神经网络的元熟悉和陌生的面孔,发现细胞神经网络,再像人类一样,更好地识别熟悉的面孔进行。

袁说,她喜欢探索两个领域 - 机器学习和神经科学 - 而识别面部的单纯行为获得升值。 “这是非常复杂的,有这么多东西要学,”她说。

探索记忆的形成

从脑细胞的树突分支突出的微观凸点即改变形状,并成长为记忆形式。已经允许靠拢研究这些小块,或刺,深在大脑中了解更多关于创建及其在巩固记忆的作用提高成像技术。

利根川进,生物学和神经科学教授皮考尔,有率先在脑细胞的标记群,被称为“印迹细胞”,链接到特定的记忆在小鼠的技术。通过调节,研究人员训练小鼠,例如,来识别环境。通过跟踪树突棘的演变在链接到一个跟踪存储单元,之前和之后的学习插曲,研究人员估计,可能是物理内存在可能存储。 

但是这需要时间。在100张图像一叠手刺的标签可能需要数小时 - 更多,如果研究人员需要从以前的几天咨询的图像来验证棘状这确实是一个结点蒂莫西·奥康纳,在帮助BCS软件工程师,他说,随着该项目。在一个典型的会议采取400倍的图像,标注图像可以采取比收集这些,我ADDS更长。

联系寻求奥康纳  看是否这一过程可以实现自动化。去年秋天,本科生,看到朱利安彼得·哈特开始工作,用艾桥梁工程师凯瑟琳·加拉格尔训练神经网络自动挑出刺。由于刺的形状和大小有很大的不同,教学计算机寻找什么是面向团队的工作继续一个很大的挑战。如果成功的话,该工具可能是全国各地的一百其他实验室有用。

“这是令人兴奋的工作,一个项目可能产生很大的影响的量,说:”看见了。 “此外,它的冷静是学习计算机科学和神经科学新的东西。”

加快这一进程档案

每一年,在图书馆特色资源bt365手机app大量的接收个人书信,笔记讲课,和其他材料从供体MITbt365手机app的内外这故事告诉我们,记录科学技术的历史。每一种独特的项目必须组织和描述,用的材料典型箱子中拿出多达20个小时的过程,并提供给用户。

使工作更快,安德烈·杜米特雷斯库和埃富akon要么,本科生分别在bt365手机app和卫斯理学院,都是工作与桥的凯瑟琳·加拉格尔寻求发展的自动化系统,用于处理捐给bt365手机app的档案材料。他们的目标是:开发一个机器学习流水线从记录扫描的图像,可以分类和提取信息。 ESTA任务来完成,他们向美国国会(LOC),其中有数字化了它的广泛持股的图书馆。 

ESTA去年秋天,拉着关于文件70000幅图像,包括信件,演讲,讲座笔记,照片和书籍在禄内,并且训练的分类区分,比如,演讲的信的学生。他们现在正在使用光学字符识别和文本分析工具来提取,如日期,作者和收件人的信件,或者日期和主题演讲的关键细节。他们很快就会一体化目标识别来描述照片的内容,并期待着测试bt365手机app图书馆的数字化自己的数据他们的系统。

该项目的一个大亮点是学习使用谷歌的云。 “这是真实的世界,如果没有方向,”杜米特雷斯库说。 “这很有趣,去理出头绪来为自己。” 

激励下一代机器人工程师

从智能手机到智能音箱,越来越多的设备都生活在我们的日常生活为背景,用吸尘器吸尘的数据。我们失去隐私,我们争取在节省时间和个性化服务的建议。它是人工智能的定义权衡孩子们应该明白,一个说,初三学生阿莱霍,巴勃罗·阿吉雷。 “爱给我们带来了美丽和优雅的解决方案,但它也有局限性ITS同样的偏见和,”我说。

去年,在一个工作离开 - 阿吉雷AI可以Breazeal辛西娅和研究生扫盲项目合作建议 兰迪·威廉姆斯。与其合作非营利性 I2学习,Breazeal的实验室已经开发出人工智能围绕一个名叫小发明机器人,教孩子们如何恢复 自己的机器人列车 基于刮擦的x,拖动和放下编程语言为儿童一个Arduino微控制器和用户接口。 

小发明制作的三年级学生访问,阿莱霍 - 阿吉雷开发了专门的编程模块赋予机器人,像简单的命令“左转一秒钟,”或“前进一秒钟。”我加入到蓝牙小物件远程控制ITS和简化的组装,螺钉更换丙烯酸板与该滑动并卡入到位。此外,我给孩子们兔子和青蛙为主题的小玩意儿面的选择。 “新的设计是很多更时尚,更清洁,并且边缘更为儿童友好的,”我说。 

构建和测试原型几个克修斯 - 阿吉雷和威廉姆斯全世界展示他们的创作,去年夏天在营地机器人后。 ESTA下跌近,远,阿吉雷制造的机器人现在100有两种,学校在波士顿和马萨诸塞州西部的三分之一。 “我的技术突破,我通过设计制作,编程,并建立机器人的骄傲,但我同样知识的骄傲将被共享的,通过这门课程,”我说。

预测股票价格与机器学习

在寻找一个实用的机器学习的应用程序更多地了解现场的,大二Dolapo adedokun和丹尼尔ADEBI打在选股。 “我们都知道购买,出售,或抱,说:” adedokun。 “我们希望找到一个简单的挑战,即任何人都可以涉及到,并制定如何在这种情况下使用机器学习的指导。”

两个朋友走近追求桥用自己的想法为项目UROP转身走了由他们因为他们的编程经验有限的几个实验室后,adedokun说。桥梁工程师凯瑟琳·加拉格尔,然而,是愿意承担新手。 “我们正在构建的机器学习工具非AI专家,”她说。 “我很好奇,看看如何丹尼尔和Dolapo将通过他们遇到问题处理这个问题和原因。”

ADEBI想了解更多关于强化学习,在尝试和错误的AI这种技术已经允许计算机在国际象棋超越人类,走,和视频游戏越来越多。所以,我曾和adedokun随着加拉格尔构建一个实验,看看强化学习如何票价对另一个AI技术,监督学习,在股票价格预测。

没有被告知要明确这样做如何最大限度地发挥特定的结果(在这种情况下,利润):在强化学习,一个代理在非结构化环境转向宽松有了一个目标。监督学习,相比之下,使用标记的数据达到一个目标,就像一个习题集与包括正确答案。

adedokun和ADEBI这两款机型的培训上7年股票价格数据,从2010-17,亚马逊,微软,谷歌等。然后,他们通过所产生的利润相比,强化学习模型和基于模型的价格交易算法监督的18个月内预测;他们发现,他们的强化学习模型产生更高的回报。

他们开发了一个笔记本共享jupyter他们学到的东西和解释它们是如何构建和测试他们的模型。 “这是对我们所有人的一个宝贵的锻炼,”加拉格尔说。 “丹尼尔和Dolapo了动手用机器学习基本面的经验,我得到了洞察类型的障碍物用户面临与他们的背景可能在尝试使用这些工具,我们正在建设的桥梁。”


主题: 追求智慧, 脑与认知科学, 媒体实验室, 图书馆, 工程学院, 科学学院, 人工智能, 算法, 计算机科学与技术, 机器学习, 本科生研究机会计划(UROP), 学生们, 大学本科, 电气工程和计算机科学(EECS)

回到顶部