李志华计算机副教授出生年月,李志华

\

4ff741832f92542c6abb0c27bbd69694.png

基本信息:李志华,博士, 2002年江南大学信息与控制工程学院硕士研究生毕业,获得计算机应用工学硕士学位;2009年6月江南大学信息工程学院博士研究生毕业,获得轻工信息技术与工程工学博士学位;2014年1月至2015年2月美国“GSU”大学计算机系访问学者。现任江南大学人工智能与计算机学院硕士生导师。

研究方向:

硕士生学术型研究生招生专业:计算机科学与技术,软件工程。

主要研究领域:云、边、端关键技术及其信息安全的研究,包括它们与人工智能、数据挖掘等学科交叉之研究。

专业型研究生招生专业:计算机技术、软件工程。

主要方向:同学术型的计算机科学与技术、软件工程专业。

主要成果:主要从事计算机科学与技术、软件工程等学科的研究和教学工作。在学术期刊、国际会议等,以第一作者身份公开发表学术论文70余篇,其中SCI收录10余篇,其中TOP级期刊4篇,中科院分区1区3篇(小分类)、2区以上5篇,其他EI检索10余篇;出版专著2本;获得发明专利8项,其中4项发明专利被企业专利实施许可,2项发明专利成功转让;取得软件著作权8项;拥有教育部鉴定成果1项,鉴定等级“国际先进”;获得省部级科学技术进步三等奖1项,获得行业协会科技奖1项,获得无锡市科学技术进步二等奖1项。主持、参加国家和省部级科研项目7项,主持企业横向委托项目10余项,累计合同经费500余万元。另外,获得教育部教育管理信息中心教学成果优秀奖1项。国际期刊《Wireless communication and mobile information system》编委,国家标准《物联网协同信息处理参考模型》(GB/T37684-2019)制订人之一,教育部学位论文评审专家,中国密码学会会员,广东、山东、江西省科技厅科技项目评审专家,《IEEE Transactions on Mobile Computing》、《IEEE Internet of Things Journal》、《IEEE Access》、《Transactions on Emerging Telecommunications Technologies》、《Computing》、《Simulation Modelling Practice and Theory》等10余本SCI期刊的审稿专家。

在研课题:

1.IoT*******课题,国家重点研发(前沿创新专项)项目,国家科技部;

2. 智能制造新模式应用项目-工业云平台建设及其信息安全关键技术研究,国家工业和信息化部;

3. 海洋物联网水下感知关键技术研究及其应用,中央高校基本科研业务经费。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值