我是一名计算机专业的 AI 专业学生。我现在正在研究我最后一年项目的主题，我对神经网络非常感兴趣，尽管我对此几乎一无所知。
我现在正在考虑的主题是语言和音乐，所以我正在寻找关于语言和音乐的神经网络可以做什么有趣或流行范围的建议。也可以针对不同的领域提出建议。
我们将不胜感激任何输入、建议、链接、建议或指针。谢谢！ :)
更新：所以我缩小了我最有可能做的主题：
我的问题是，这两者是否都太高级而不能由本科生完成？
【问题讨论】：
标签： artificial-intelligence neural-network
看看https://archive.ics.uci.edu/ml/datasets.php 看看你是否找到了一些你喜欢的话题。
如果你有 C++ 和 C 的经验，学习 Matlab 会更容易。
关于您要使用的主题，我建议您查看上面的链接，并尝试找到您喜欢的可以应用于 NN 的内容，在 acm、ieee 或其他存储库中搜索有关 NN 的论文，看看您是否也可以找到关于您可能正在寻找的主题的研究或报告。
祝你好运。
【讨论】：
http://www.heatonresearch.com/encog 在这里，我了解了与神经网络有关的所有 AI 算法。这个 API 是一个很好的方式来了解你需要什么，以便了解正在发生的事情。此后，我为自己创建了一个在模拟 Boid 选择时经常使用的 API。不是很必要，但它确实有效。
【讨论】：
根据我的经验，音乐流派分类对于本科项目来说太难了。问题是，在你能够获得应用神经网络分类器的“有趣的东西”之前，你需要做各种信号处理基础工作来为网络生成有意义的特征向量。考虑每分钟节拍数：它对于某些类型的音乐是可靠的，但远非如此。如果您仍想继续，请考虑使用 libxtract 之类的工具作为基础工具。
【讨论】：
对不起，我会把事情过于简单化，但我想稍微驱散一下迷雾。一个简单的神经网络是一种逼近函数的方法，称为 f，从（通常）R^n（维度 n 的实向量空间）到 R^m 等。假设 m=1。不是根据一组样本 (p,f(p)) 寻找一个多项式 P(x_1,..,x_n) 来逼近您的函数，而是寻求在类似 s(a_1*s( b_11*x_1+b_n1*x_n)+...+a_t*s(b_1t*x_1+b_nt*x_n)) 例如，其中 s 是“sigmoid”函数，因此这个奇怪的函数可以很好地匹配您的样本。
据说动机是生物性的。 “训练算法”包括连续调整上面的 a_i、b_ij 的值，以便通过一些最速下降的变体，样本点 p 处的结果函数的值“平均”接近 f(p)，其中，据称，在某些情况下表现良好。 NN 在 90 年代被大量炒作所包围，但考虑到它的真正目标是根据其样本逼近一个未知函数（与“模仿人脑”或类似的炒作目标相反） , 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”），它具有更吸引人的理由（在您看到为研究文章的工作）。
然而，关键是，只要您为工作选择正确的“特征”（即找到一种将您的音乐样本转换为 100 维点的好方法，例如， 向量空间），因此类型 X 的点将“靠近”类型 X 的其他点，类型 Y 的点将“靠近”类型 Y 的点，而类型 X 的点将远离对于类型 Y 的点，您可以使用 NN、SVM、决策树或任何其他您喜欢的方式来区分类型（但精度和效率可能会有所不同）。关键是要找到正确的功能集——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上，我认为 IBM Watson 是不可能的......）
【讨论】：
关于神经网络的 Google Tech Talk 非常棒。
youtube.com/watch?v=AyzOUbkUf3M
如果您认真考虑使用神经网络来完成项目，那值得一小时。
至于文字与音乐。神经网络是很好的分类器。使用具有真/假、开/关分类的静态数据来教授它们相当容易。当网络需要将输入分类为集合时，更具挑战性。
神经网络在处理流数据时遇到的问题最多。有一些众所周知的技术可以让它发挥作用，但是你对哪种方法会很好用的直觉是不够的。你需要看看其他科学家做了什么，并复制他们的技术。否则，您将面临创建 NN 不适合学习的问题空间的巨大风险。
我认为通过神经网络传输音乐的波形不会得到有趣的结果。您需要将数据预处理为可用的格式。
您最不需要的就是大量数据。越多越好。您需要烘焙数据及其分类。数十万。您将无法手动对一些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。
神经网络需要大量数据。维基百科很大，每个页面都有很多元信息（受欢迎程度、质量、编辑次数等）。 Google 还可以获得具有特定分类的大量数据，例如“快乐的狗”与“悲伤的狗”，或者只是“狗”，其中 google 的排名就是分类。
【讨论】：