=版权申明 =教学团队==互联网+实验室 [http://net.icenter.tsinghua.edu.cn iNetLab]
CC [https://wwwcreativecommons.researchgate.netorg/profilelicenses/Zhen_Chen16by-nc-nd/ 陈震] [http:3.0//wiki.icenter.tsignhua.edu.cn/maxd 马晓东BY-NC-ND] 章屹松 王蓓蓓 高英
助教：郑文勋 王晗= 课程信息 =
=教学背景=课号：01510202
随着计算机应用的日益普及和计算机网络的快速发展，互联网+的社会经济浪潮日益显现，以互联网连接的物理硬件系统和以大数据云计算为基础的信息系统，使得具有智能的机器人、自动驾驶的无人机等等智能系统成为新的技术发展浪潮，并催生了“智能硬件”的新生态。英文：Smart Things and Intelligent Systems
=课程内容=简写：STIS
==云计算与大数据==教学目标：[[智能硬件与智能系统-教学目标]]
==Azure云使用教学团队 ==
==iCenter-Cloud云使用==[[互联网+实验室|智能系统实验室]] ： [[陈震]][[马晓东]] [[章屹松]] [[郭敏]] [[高英]] [[王浩宇]]
==嵌入式开发平台=====NVIDIA JETSON TK1===助教：[[刘昊天]] [[刘桥]]
[http://www.nvidia.cn/object/jetson-tk1-embedded-dev-kit-cn.html jetson-tk1]== 教学资源 ==
===Raspberry Pi=== <big>'''由清华iCenter [[基础工业训练中心-智能硬件库|智能硬件库]]、[[基础工业训练中心-智能机器人库|智能机器人库]]和[[基础工业训练中心-人工智能平台|人工智能平台]]保障支持'''。
[https://www.raspberrypi.org Raspberry Pi]= 课程教学 =
=项目分组=教学计划 ==第一组==组长：许越
组员：吴俣帅杨应人 [[智能硬件与智能系统-教学计划]]
==第二组==组长：王亦凡 以往教学： [[智能硬件与智能系统-以往教学]]
组员：刘梦旸张力== 教学管理 ==
==第三组==组长：刘晓明 [[智能硬件与智能系统-学生分组]]
组员：常昊男全光林朱泽宇= 参考资料 =
==第四组==组长：郑钰琦[[智能硬件-参考文献 | 参考文献]]
组员：郑安然郑钰琦高一川[[智能硬件-参考课程 | 参考课程]]
= 致谢 =
=课程项目=[[致谢-微软公司]]
==实验1==声控智能硬件[[致谢-语音指令录音 声智科技]]
通过给手机语音指令，手机APP自动识别指令种类，进行相应的控制。 语音指令录音 a蓝牙开机 b蓝牙拨打电话／bb蓝牙打电话 c蓝牙接听电话／cc蓝牙接电话 d蓝牙拒接 e蓝牙播放音乐／ee蓝牙开始音乐 f蓝牙暂停音乐／ff蓝牙停止音乐 g蓝牙上一首／gg蓝牙上一曲 h蓝牙下一首／hh蓝牙下一曲 i蓝牙音量增大／ii蓝牙声音增大／iii蓝牙音量增加／iiii蓝牙声音增加 j蓝牙音量减小／jj蓝牙声音减小 k蓝牙关机 l蓝牙电量提醒／ll蓝牙还剩多少电／lll蓝牙还剩多少电量 存放目录：\\166.111.134.110\team-saturn\智能硬件录音 以学号建立文件夹 每位同学提交24条语音，要求高质量保证。 时间：10月7日中午12点之前 ==实验2==声控智能硬件-频谱图生成 (1)将24条语音文件生成对应的频谱图（spectrogram）[5]，频谱图文件名称为*.spec (2)熟悉TensorFlow环境[6]，使用TensorFlow搭建3层全连接的神经网络（24个softmax输出）。 时间：2016年10月14日中午12点之前 ==课程项目致谢-深度学习== ===必做任务===利用附件提供的Matlab Deep Learning Toolbox中的卷积神经网络（CNN），在MNIST手写数字样本集上，利用训练集样本进行训练，并对测试集样本进行测试。 建议阅读附件中的背景知识和工具箱中的CNN源代码，在了解算法原理和技术实现细节基础上，参照示例程序'''''CNN/test_example_CNN.m'''''，自行调整算法中至少一种关键参数或设置，例如调整CNN的卷积层及下采样层的层数、或模板大小等参数；在至少一种与原始程序不同的参数或设置下分别进行训练，做出测试集识别率（或错误率）随参数或设置变化的对照图或对照表，并标出最高识别率对应的参数或设置。 ===选做任务===请参考工具箱中'''''tests/test_example_SAE.m'''''示例文件，利用STL-10数据集中的无标注图片训练一个自动编码器，再用自动编码器隐含层的参数初始化一个神经网络分类器，并使用训练集中有标注的图片进行训练，最后使用神经网络分类器在测试集上进行测试。测试阶段，调用nntest的返回值“er”为测试集上的识别错误率。 在训练过程中，尝试调整算法中至少一种关键参数或设置，例如自动编码器隐含层的节点个数；在至少一种与原始程序不同的参数或设置下进行实验，做出测试结果随参数或设置变化的对照图或对照表。 在'''''test_example_SAE.m'''''中，建议修改第16行和第28行的'''''opts.numepochs'''''数值，比如将原来的1改为3；如果改变自动编码器隐含层节点数目进行实验比较，需要注意：:第12行：sae = saesetup([784 <font color="#FF0000">'''100'''</font>Momenta]);:第22行：nn = nnsetup([784 <font color="#FF0000">'''100'''</font> 10]);中红色标注的参数要修改一致。 ===报告要求===报告应包含以下内容：# 在MNIST手写数字样本测试集上，识别率（或错误率）随参数或设置变化的对照图或对照表。#''（选做）''在STL-10 测试集上，识别率（或错误率）随参数或设置变化的对照图或对照表。# 总结收获和体会。 ===附件===指导书、工具箱和数据集：''尚未上传'' （助教：王晗 wang-han13@mails.tsinghua.edu.cn） ==课程项目-智能医药问答==（常嘉辉） =致谢=本课程获得微软Azure云计算与机器学习捐赠支持。 =参考文献=1. Stuart Russell and Peter Norvig, Artificial Intelligence: A modern approach. Prentice-Hall, 2005. 2. Ferrucci, David A. "Introduction to “this is watson”." IBM Journal of Research and Development 56.3.4 (2012): 1-1. 3. Bradski, Gary, and Adrian Kaehler. Learning OpenCV: Computer vision with the OpenCV library. O'Reilly Media, Inc., 2008. 4. Hauswald, Johann, et al. "Sirius: An open end-to-end voice and vision personal assistant and its implications for future warehouse scale computers." ASPLOS, ACM, 2015. 5. Spectrogram, https://en.wikipedia.org/wiki/Spectrogram 6. TensorFlow, https://www.tensorflow.org