Artificial Intelligence in Aerospace Engineering

课程简介

1. 航空航天人工智能的数学与编程基础：介绍航空航天人工智能所需的数学和编程基础知识。主题包括线性代数、概率论、优化方法，以及基于 Python 和 PyTorch 的实践练习。重点在于将理论概念转化为实用模型，培养在航空航天挑战中实现算法的信心。 2. 航空航天数据的经典监督学习算法：探索用于航空航天数据分析的经典监督学习技术。包括概念学习、回归和分类算法（支持向量机、k-近邻、决策树和朴素贝叶斯），并进行实践实现。培养在算法选择和性能分析方面的熟练程度，以支持航空航天数据的解释。 3. 航空航天应用中的深度空间学习：介绍用于提取和解释航空航天情境中空间信息的深度学习架构。涵盖用于特征嵌入的多层感知器、用于卫星图像和网格分析的卷积神经网络，以及用于处理非结构化数据的图神经网络。重点在于利用空间相关性以增强模式识别和地图精度。 4. 航空航天系统的时序序列建模：探索用于捕捉航空航天传感器数据中时间关系的高级神经技术。主题包括循环神经网络、LSTM 和 GRU 单元以及基于注意力的模型，应用于控制信号预测和异常检测。讨论建模时间依赖性模式以支持准确轨迹预测、实时监控和自适应控制策略。 5. 航空航天中的数据统计与机器学习应用：探讨数据统计与机器学习在航空航天中的应用。涵盖航空航天情境中的模式发现、主题建模、基因组学和预测。讨论航空航天数据统计中的可扩展性、可解释性以及法律/社会/伦理考量。

学习目标

1. 介绍广泛应用于航天研究和工业中的主流深度学习算法的基本原理、概念和模型。 2. 提供机器学习模型（如深度神经网络）的理论和实践理解。 3. 提高使用 Python 和 PyTorch 设计、训练和优化机器学习模型的能力。

先修要求

无

教学模式

该课程通过结合讲座、辅导课、实验室课程和小组项目进行教学，不包括阅读周。讲座全面覆盖课程概念，并通过示例和互动问答环节进行补充，以增强理解。辅导课和实验室课程通过实践练习强化理论知识，强调使用机器学习工具和技术的动手经验。小组项目让学生合作将理论概念应用于实际场景，从而提升他们的分析和解决问题的能力。