| 项目 | 内容 |
|---|---|
| 课程 | 人工智能实战2019 |
| 作业要求 | 第4次作业（团队第1部分） |
| 课程目标 | 学习人工智能基础知识 |
| 本次作业对我们的帮助 | 配置AI开发环境，手写识别应用入门 |
| 参考文献 | AI应用开发实战 - 从零开始配置环境，AI应用开发实战 - 手写识别应用入门，基于本地模型的手写数字识别应用开发案例 |
团队名称
就起这个名字吧
NABCD模型
1. N（Need 需求）
- 团队价值需求：
手写数字识别是经典的人工神经网络实践项目，目前有较为完整的理论和实现方法。我们团队希望通过实践此入门级项目，学习人工智能应用开发中的典型元素、练习应用人工神经网络的基础知识、锻炼代码编写水平、培养团队合作意识。 - 市场价值需求：
识别用户手写笔记，并进行索引以便查询或计算一些数学表达式的结果；帮助科研人员快捷的输入数学公式，可应用于论文撰写。 - 理论价值需求：
近年来，人工智能在图像领域取得了令世人瞩目的成果。借用人工智能领域的成果，助力开发者推进解决手写输入的相关问题，同时也可以反馈促进人工智能领域的发展。
2. A（Approach 做法）
基本招数：
- Visual Studio Tools for AI
- CNN教程
独特招数：
- 支持算式识别
- 支持手写数字和字母录入
3. B（Benefit 好处）
- 帮助团队成员锻炼代码编写水平，练习应用人工智能基础知识，为以后的深入学习打下基础
- 整理开源知识
4. C（Competitors 竞争）
- 其他做此项目的小组：愤怒的大猪蹄，人工智能小组
5. D（Delivery 交付，Data 数据）
- 初期：单个手写数字识别
- 中期：基于STM32的手写数字和字符的识别
- 末期：算式识别，特殊运算符的识别，静态图像识别
团队成员与分工
- 王铈弘：中期模型建立与算法实现、团队博客撰写
- 徐浩原：扩展功能原理的构建与算法实现
- 焦宇恒：后期模型建立与算法实现
- 毛亚奇：初期模型的建立与算法实现
项目时间预估
- DDL为本学期第16周（2019/6/3）
项目初版（识别结果展示）
总结
- 通过组合多种模型，混合传统编程方法，就可以打造出强大的AI产品
- AI模型可以让很多不可能变为可能，但是传统软件的开发注意事项一样都不会少
- 做产品时，如果遇到很多数据、但很难找到规律的场景，不妨尝试能否用AI模型来解决问题
初期的遗留问题
1.大小不一或没有居中
- 增加图像处理算法
- 训练一个目标检测（Object Detect）的AI模型
2.个人风格迥异
- 使用有代表性的数据集
3.识别字母、符号、中文
- 增加数据集