同济交通人工智能基础课程

问题1：搜索🔍方法（40）（参考CS188）

1.1 寻找游戏作为环境的案例

4分 给出将你身边的事物（运动、游戏）抽象成为状态

1.2 实现基本的搜索算法

用中文写出伪代码 修改search.py中的不同Algorithm 寻找：第二问需要修改的地方

6分：深度优先搜索 DFS（Stack实现） 6分：广度优先搜索 BFS（Queue实现） 6分：一致代价搜索UCS（Priority Queue实现） 6分：A star 搜索

1.3 定义状态空间，并利用A star来启发式求解（12）

修改search agent中的corner problem 寻找：第三问需要修改的地方

6分：Corners Problem：用DFS吃掉角落的豆

6分：Corners Problem：Heuristic

1.4 bonus 吃掉所有的豆子

All the dots

次优搜索 Suboptimal Search

问题2：深度学习（30）

2.1 CV: 降纬预处理

mnist-NN中给出tf实现的简单CNN结构，本体要求尝试使用PAC对图片进行降纬，后使用卷积神经网络的AlexNet架构进行识别，其中激活函数自己确定

需要完成的工作 0. 将所给的tensor flow代码转换成为PyTorch，完成PAC+LeNet-5训练和识别 （2） 2. 如果使用dropout和relu在LeNet-5会提升效果吗？尝试AlexNet （2） 3. 简化模型来加快训练速度 （2） 4. 设计更好的模型可以使用在28*28的模型中，对比0，1，2，3四种模型效果 ；利用PPT绘制模型的输入输出（2） 5. 前后的图片可视化处理 （2）

2.2 NLP: 投诉情绪分析

nlp中的prebert.ipynb给出完整的过程，要求完善model和训练过程的函数

（5） 去除语气词，给出词云图,对文本进行简单的分析

（5）利用pre-train的权重实现文本情感分析

bonus

实现complaints下的时刻表文本分析

2.3 GAN: 生成动漫头像

（3） 理解GAN文件夹下的文件和结果，实现DCGAN的训练过程

（3）尝试观察得到model collapse的方法

并写出文献给出常见的解决方法

（4）利用下列模型修改baseline，对模型进行一些调整

WGAN

WGAN-GP

LSGAN

SNGAN

问题3：强化学习（30）

3.1 论文阅读

（10） 阅读下列论文，总结DQN的不同trick Rainbow: Combining Improvements in Deep Reinforcement Learning.

3.2 基于强化学习的车辆行为决策 Baseline

（10）下列给出Highway-env的DQN网络的框架，修改输入算法CNN的框架 GitHub - Farama-Foundation/HighwayEnv: A minimalist environment for decision-making in autonomous driving

3.3 对比分析

比较不同决策策略、奖励函数；输出决策轨迹

1. 比如修改决策频率
2. 根据交通知识修改奖励函数
3. 输出可视化的决策轨迹