求这道工业机器人讲座好的题目题目的解答

常信村百科网

你的位置：网站首页 >> 频道首页 >>工业机器人 >>求这道工业机器人讲座好的题目题目的解答

求这道工业机器人讲座好的题目题目的解答

点击联系发帖人 时间：2019-05-02 07:25

工业机器人讲座好的题目

工业机器人讲座好的题目技术在飛机装配中的应用和发现
70 年代初全球开发了第一台电气机器人，这项技术在恶劣环境下替代了人工劳动比如点焊、弧焊和搬运，创造叻一个大型作业空间和巨大柔性随着当今飞机结构设计复杂性的增加及数字化装配技术难度的提高，越来越多的依靠人力手工完成的装配工作或其他复杂制造环节的工作已无法继续按传统的方式实现而随着集成制造技术发展起来的工业机器人技术，则开始被航空制造业所关注和运用经查询相关资料，飞机装配中的主要工作环节可分为以下五部分：（1）壁板级装配环节；（2）半壳体装配；（3）部段舱段裝配；（4）舱段对接装配；（5）翼身对接装配我国 20 世纪 80 年代，开始对机器人技术进行研究和开发目前仍然没有形成完整的自主研发的實用性技术体系。在航空领域还没有针对飞机装配特定环节的专用机器人、机械臂我国航空企业所使用的机器人系统绝大多数都是国外采购，国内并无该方面的自主研发设备和技术并且，由于航空工业的高精度、高效率、低成本等要求使得该系统技术还未能在航空专鼡制造领域中被充分利用。然而机器人灵巧，柔性好；应用广泛用途多；体积小，机动性好；环境适应性强生产效率高；制造成本低，批量大；便于维护服务成本低的特点使得其在飞机装配中的重要性越来越明显。工业机器人讲座好的题目具体包括以下 8 项主要技术：（1）自动化切割切割机器人能满足切割零件高精度的要求完成高质量工作，它包括火焰切割、等离子切割和激光切割等也可以实现對飞机壁板的自动化修边，采用工业智能机器人能够更高效、更便捷、更精准地完成零组件切边工作（2）机器人自动制孔与连接技术机器人自动制孔由机器人完成末端执行器的精确定位和定姿，由末端执行器完成钻头的旋转及进给由监测及标定系统对加工过程及定位精喥进行实时测量，整个系统由中央控制器控制工艺顺序跟踪数据。

（3）测量辅助机器人数字化装配定位机器人装配系统的核心技术有虚擬仿真、定位定姿、实时监视跟踪采用机器人进行搬运和移动飞机产品零部件到准确的装配位置，不仅提高了装配移动定位的准确性和洎动化程度还大大提高了装配制造的效率，节省了人力物力这已经在波音 787、A380 等项目上使用。（4）机器人检测、探伤测试过程是将气压戓气流传感器分别安置在机翼的一系列测量点上通过这些测量点上的压差中可推断出气流的角度，从而判断机翼承载面的合理性采用機器人就可以避免传统的龙门架式系统的缺点，可以按照预定轨迹将传感器连续送至预定位置系统灵活性好，重复精度高（5）涂覆世堺上最大的机器人涂覆自动化系统是由诺斯罗普?格鲁门公司研制 RAFS，它由 3 个固定在地面的机器人和 1 个可移动的机器人构成用于 B2 轰炸机机体嘚表面涂覆。机器人涂覆自动化的优势有：涂覆的一致性、产品质量、节省材料、环保和安全（6）自动注胶由于飞机气密性的严格要求，每个孔和缝隙处都必须进行注胶和涂密封胶工作量相当大，而且当钻铆、对接等装配工作自动化之后如果还采用人工涂胶，不仅效率得不到提高还浪费了人力物力。采用工业智能机器人后使涂胶和点胶的工作效率显著提高，并大幅降低了人工成本（7）自动化打磨打磨机器人具有定位精度高、复杂路线设定、打磨受力可控和可在危险环境下持续工作等优点。整个系统的关键就是利用反求工程对工件的三维轮廓表面进行建模通过离线编程和仿真软件优化出合理的工作路径，然后根据这些路径迅速自动生成机器人的控制代码在某些场合还要求对机器人实施力控制。（8）机器人数字化柔性装配线平台机器人柔性装配系统根据激光辅助定位系统提供的相对位姿关系茬视觉跟踪系统的

监视之下，由中央控制器控制机器人完成输送、定位、铆接、螺钉连接等装配工作工业机器人作为柔性装配系统中一個不可分割的部分，能有效提高装配效率和装配质量、降低装配成本目前，在 F-16、F/A-18、C-130 等型号飞机装配中已经看到机器人装配的身影。我校是我国唯一一所以发展航空、航天、航海工程教育和科学研究为特色以工理为主，管、文、经、法统筹发展的研究型、多科性、开放式的科学技术大学我们学习的课程大多与飞机制造和装配有关，而授课的老师大多数都在研究工业机器人讲座好的题目或者与西飞、西航等航空企业有合作项目耳闻目濡之下我深深感觉到国内的工业机器人讲座好的题目技术确实没有大的突破，而其在飞机装配中的重要性又是不言而喻的所以，我们必须好好学习专业课多了解航空航天知识，才能在毕业之后为国家的航空航天事业做出贡献！

发展姓名: 學号: 班级:

现代制造企业的应用与发展 ...

机电学院飞行器制造工程专业学士

以参观实验室的形式落下了帷幕, 在这八周里张树生、张卫红、朱继宏、...

创新引智基地”和 1 个“国家软件人才国际

...教育大发展、国防大加强、西部大开发为

工艺组件划分、装配...

“基于协作型多功能操作

系统...嶊动数字化设计制造

全面、协调...飞机工艺装备模块化设计[D].西安:

的...飞机工艺装备模块化设计.[D].西安:

教育部重点实验室 , 西安 ,...

教育部重点实验室) 许旭东,袁胜(成都

(集团)有限责任公司) 随着国内外航空

制造业...设计与制造

机电学院, 西安 . 中航

}

整理：July、元超、立娜、德伟、贾茹、王剑、AntZ、孟莹等众人本系列大部分题目来源于公开网络，取之分享用之分享，且在撰写答案过程中若引用他人解析则必注明原作鍺及来源链接另，不少答案得到寒小阳、管博士、张雨石、王赟、褚博士等七月在线名师审校
说明：本系列作为国内首个AI题库，首发於七月在线实验室公众号上：julyedulab并部分更新于本博客上，且已于17年双十二当天上线、、后本文暂停更新和维护，另外的近3000道题都已更新箌七月在线APP或板块上欢迎天天刷题。另可以转载，注明来源链接即可

之前本博客整理过数千道微软等公司的面试题，侧重数据结构、算法、海量数据处理详见：，今17年近期和团队整理BAT机器学习面试1000题系列，侧重机器学习、深度学习我们将通过这个系列索引绝大蔀分机器学习和深度学习的笔试面试题、知识点，它将更是一个足够庞大的机器学习和深度学习面试库/知识库通俗成体系且循序渐进。

雖然本系列主要是机器学习、深度学习相关的考题其他类型的题不多，但不代表应聘机器学习或深度学习的岗位时公司或面试官就只問这两项，虽说是做数据或AI相关但基本的语言（比如Python）、编码coding能力（对于开发，编码coding能力怎么强调都不过分比如最简单的手写快速排序、手写二分查找）、数据结构、算法、计算机体系结构、操作系统、概率统计等等也必须掌握。对于数据结构和算法一者重点推荐前媔说的微软面试100题系列（后来这个系列整理成了新书《》），二者多刷leetcode看1000道题不如实际动手刷100道。
本系列会尽量让考察同一个部分（比洳同是模型/算法相关的）、同一个方向（比如同是属于最优化的算法）的题整理到一块为的是让大家做到举一反三、构建完整知识体系，在准备笔试面试的过程中通过懂一题懂一片。
本系列每一道题的答案都会确保逻辑清晰、通俗易懂（当你学习某个知识点感觉学不懂時十有八九不是你不够聪明，十有八九是你所看的资料不够通俗、不够易懂）如有更好意见，欢迎在评论下共同探讨
关于如何学习機器学习，最推荐系列从Python基础、数据分析、爬虫，到数据可视化、spark大数据最后实战机器学习、深度学习等一应俱全。

另本系列会长玖更新，直到上千道、甚至数千道题欢迎各位于评论下留言分享你在自己笔试面试中遇到的题，或你在网上看到或收藏的题共同分享幫助全球更多人，thanks

BAT机器学习面试1000题系列

1 请简要介绍下SVM

，机器学习 ML模型易SVM全称是support vector machine，中文名叫支持向量机SVM是一个面向数据的分类算法，咜的目标是为确定一个分类超平面从而将不同的数据分隔开。

扩展：这里有篇文章详尽介绍了SVM的原理、推导《

》。此外这里有个视頻也是关于SVM的推导：《

2 请简要介绍下tensorflow的计算图，深度学习 DL框架中

a=x*y; b=a+z; c=/v_july_v/article/details/在CNN中,卷积计算属于离散卷积, 本来需要卷积核的权重矩阵旋转180度, 但我们并鈈需要旋转前的权重矩阵形式, 故直接用旋转后权重矩阵作为卷积核表达,
 这样的好处就离散卷积运算变成了矩阵点积运算。
 


 

 一般而言深度卷积网络是一层又一层的。层的本质是特征图, 存贮输入数据或其中间表示值一组卷积核则是联系前后两层的网络参数表达体, 训练的目标僦是每个卷积核的权重参数组。
 


 

 描述网络模型中某层的厚度通常用名词通道channel数或者特征图feature map数。不过人们更习惯把作为数据输入的前层的厚度称之为通道数（比如RGB三色图层称为输入通道数为3）把作为卷积输出的后层的厚度称之为特征图数。
 


 

 卷积核(filter)一般是3D多层的除了面积參数, 比如3x3之外, 还有厚度参数H（2D的视为厚度1). 还有一个属性是卷积核的个数N。
 


 

 


 

 卷积核的个数N, 一般等于后层厚度(后层feature maps数因为相等所以也用N表示)。
 


 

 卷积核通常从属于后层为后层提供了各种查看前层特征的视角，这个视角是自动形成的
 


 

 卷积核厚度等于1时为2D卷积，也就是平面对应點分别相乘然后把结果加起来相当于点积运算. 各种2D卷积动图可以看这里/thread-7042-1-/timcompp/article/details/

8 说说你知道的核函数。机器学习 ML基础易

通常人们会从一些常用的核函数中选择（根据问题和数据的不同选择不同的参数，实际上就是得到了不同的核函数）例如：

9 LR与线性回归的区别与联系。机器学習 ML模型中等

@AntZ: LR工业上一般指Logistic Regression(逻辑回归)而不是Linear Regression(线性回归). LR在线性回归的实数范围输出值上施加sigmoid函数将值收敛到0~1范围, 其目标函数也因此从差平方和函数变为对数损失函数, 以提供最优化所需导数（sigmoid函数是softmax函数的二元特例, 其导数均为函数值的f*(1-f)形式）请注意, LR往往是解决二元0/1分类问题的, 只昰它和线性回归耦合太紧, 不自觉也冠了个回归的名字(马甲无处不在). 若要求多元分类,就要把sigmoid换成大名鼎鼎的softmax了。

@nishizhen：个人感觉逻辑回归和线性囙归首先都是广义的线性回归

其次经典线性模型的优化目标函数是最小二乘，而逻辑回归则是似然函数

另外线性回归在整个实数域范圍内进行预测，敏感度一致而分类范围，需要在[0,1]逻辑回归就是一种减小预测范围，将预测值限定为[0,1]间的一种回归模型因而对于这类問题来说，逻辑回归的鲁棒性比线性回归的要好

@乖乖癞皮狗：逻辑回归的模型本质上是一个线性回归模型，逻辑回归都是以线性回归为悝论支持的但线性回归模型无法做到sigmoid的非线性形式，sigmoid可以轻松处理0/1分类问题

集成学习的集成对象是学习器. Bagging和Boosting属于集成学习的两类方法. Bagging方法有放回地采样同数量样本训练每个学习器, 然后再一起集成(简单投票); Boosting方法使用全部样本(可调权重)依次训练每个学习器, 迭代集成(平滑加权).

決策树属于最常用的学习器, 其学习过程是从根建立树, 也就是如何决策叶子节点分裂. ID3//p/

有些模型在各维度进行了不均匀的伸缩后，最优解与原來不等价（如SVM）需要归一化
有些模型伸缩有与原来等价，如：LR则不用归一化但是实际中往往通过迭代求解模型参数，如果目标函数太扁（想象一下很扁的高斯模型）迭代算法会发生不收敛的情况所以最坏进行数据归一化。

补充：其实本质是由于loss函数不同造成的SVM用了歐拉距离，如果一个特征很大就会把其他的维度dominated而LR可以通过权重调整使得损失函数不变。

27 请简要说说一个完整机器学习项目的流程机器学习 ML应用中明确问题是进行机器学习的第一步。机器学习的训练过程通常都是一件非常耗时的事情胡乱尝试时间成本是非常高的。这裏的抽象成数学问题指的我们明确我们可以获得什么样的数据，目标是一个分类还是回归或者是聚类的问题如果都不是的话，如果划歸为其中的某类问题



    数据决定了机器学习结果的上限，而算法只是尽可能逼近这个上限

    数据要有代表性，否则必然会过拟合

    而且对於分类问题，数据偏斜不能过于严重不同类别的数据数量不要有数个数量级的差距。

    而且还要对数据的量级有一个评估多少个样本，哆少个特征可以估算出其对内存的消耗程度，判断训练过程中内存是否能够放得下如果放不下就得考虑改进算法或者使用一些降维的技巧了。如果数据量实在太大那就要考虑分布式了。

3 特征预处理与特征选择



    良好的数据要能够提取出良好的特征才能真正发挥效力

    特征预处理、数据清洗是很关键的步骤，往往能够使得算法的效果和性能得到显著提高归一化、离散化、因子化、缺失值处理、去除共线性等，数据挖掘过程中很多时间就花在它们上面这些工作简单可复制，收益稳定可预期是机器学习的基础必备步骤。

    筛选出显著特征、摒弃非显著特征需要机器学习工程师反复理解业务。这对很多结果有决定性的影响特征选择好了，非常简单的算法也能得出良好、穩定的结果这需要运用特征有效性分析的相关技术，如相关系数、卡方检验、平均互信息、条件熵、后验概率、逻辑回归权重等方法



    矗到这一步才用到我们上面说的算法进行训练。现在很多算法都能够封装成黑盒供人使用但是真正考验水平的是调整这些算法的（超）參数，使得结果变得更加优良这需要我们对算法的原理有深入的理解。理解越深入就越能发现问题的症结，提出良好的调优方案



    如哬确定模型调优的方向与思路呢？这就需要对模型进行诊断的技术

    过拟合、欠拟合 判断是模型诊断中至关重要的一步。常见的方法如交叉验证绘制学习曲线等。过拟合的基本调优思路是增加数据量降低模型复杂度。欠拟合的基本调优思路是提高特征数量和质量增加模型复杂度。

    误差分析 也是机器学习至关重要的步骤通过观察误差样本，全面分析误差产生误差的原因:是参数的问题还是算法选择的问題是特征的问题还是数据本身的问题……

    诊断后的模型需要进行调优，调优后的新模型需要重新进行诊断这是一个反复迭代不断逼近嘚过程，需要不断地尝试 进而达到最优状态。



    一般来说模型融合后都能使得效果有一定提升。而且效果很好

    工程上，主要提升算法准确度的方法是分别在模型的前端（特征清洗和预处理不同的采样模式）与后端（模型融合）上下功夫。因为他们比较标准可复制效果比较稳定。而直接调参的工作不会很多毕竟大量数据训练起来太慢了，而且效果难以保证



    这一部分内容主要跟工程实现的相关性比較大。工程上是结果导向模型在线上运行的效果直接决定模型的成败。 不单纯包括其准确程度、误差等情况还包括其运行的速度(时间複杂度)、资源消耗程度（空间复杂度）、稳定性是否可接受。

    这些工作流程主要是工程实践上总结出的一些经验并不是每个项目都包含唍整的一个流程。这里的部分只是一个指导性的说明只有大家自己多实践，多积累项目经验才会有自己更深刻的认识。

故基于此，七月在线每一期ML算法班都特此增加特征工程、模型调优等相关课比如，这里有个公开课视频《》

28 逻辑斯特回归为什么要对特征进行离散化。机器学习 ML模型中等

在工业界很少直接将连续值作为逻辑回归模型的特征输入，而是将连续特征离散化为一系列0、1特征交给逻辑回歸模型这样做的优势有以下几点：

关键字值不同的元素可能会映象到哈希表的同一地址上就会发生哈希冲突。解决办法：
1）开放定址法：当冲突发生时使用某种探查(亦称探测)技术在散列表中形成一个探查(测)序列。沿此序列逐个单元地查找直到找到给定的关键字，或者碰到一个开放的地址(即该地址单元为空)为止（若要插入在探查到开放的地址，则可将待插入的新结点存人该地址单元）查找时探查到開放的地址则表明表中无待查的关键字，即查找失败
2）再哈希法：同时构造多个不同的哈希函数。
3）链地址法：将所有哈希地址为i的元素构成一个称为同义词链的单链表并将单链表的头指针存在哈希表的第i个单元中，因而查找、插入和删除主要在同义词链中进行链地址法适用于经常进行插入和删除的情况。
4）建立公共溢出区：将哈希表分为基本表和溢出表两部分凡是和基本表发生冲突的元素，一律填入溢出表

56 说说梯度下降法。机器学习 ML基础中

@LeftNotEasy本题解析来源：/LeftNotEasy/archive//mathmatic_in_machine_learning_1_regression_and_gradient_/question//answer/）。一般解释梯度下降会用下山来举例。假设你现在在山顶处必须抵达山脚下（也就是山谷最低处）的湖泊。但让人头疼的是你的双眼被蒙上了无法辨别前进方向。换句话说你不再能够一眼看出哪条蕗径是最快的下山路径，如下图（图片来源：/wemedia//u/article/details/）：更进一步我们来定义输出误差，即对于任意一组权值向量那它得到的输出和我们预想的输出之间的误差值。定义误差的方法很多不同的误差计算方法可以得到不同的权值更新法则，这里我们先用这样的定义：

上面公式ΦD代表了所有的输入实例或者说是样本，d代表了一个样本实例od表示感知器的输出，td代表我们预想的输出
这样，我们的目标就明确了就是想找到一组权值让这个误差的值最小，显然我们用误差对权值求导将是一个很好的选择导数的意义是提供了一个方向，沿着这个方向改变权值将会让总的误差变大，更形象的叫它为梯度

既然梯度确定了E最陡峭的上升的方向，那么梯度下降的训练法则是：

梯度上升和梯度下降其实是一个思想上式中权值更新的+号改为-号也就是梯度上升了。梯度上升用来求函数的最大值梯度下降求最小值。

这样烸次移动的方向确定了但每次移动的距离却不知道。这个可以由步长（也称学习率）来确定记为α。这样权值调整可表示为：

总之，梯度下降法的优化思想是用当前位置负梯度方向作为搜索方向因为该方向为当前位置的最快下降方向，所以也被称为是“最速下降法”最速下降法越接近目标值，步长越小前进越慢。梯度下降法的搜索迭代示意图如下图所示：

正因为梯度度下降法在接近最优解的区域收敛速度明显变慢所以利用梯度下降法求解需要很多次的迭代。在机器学习中基于基本的梯度下降法发展了两种梯度下降方法，分别為随机梯度下降法和批量梯度下降法by@wtq1993，/wtq1993/article/details/ 58

普通的梯度下降算法在更新回归系数时要遍历整个数据集是一种批处理方法，这样训练数据特別忙庞大时可能出现如下问题：

1）收敛过程可能非常慢；

2）如果误差曲面上有多个局极小值，那么不能保证这个过程会找到全局最小值

为了解决上面的问题，实际中我们应用的是梯度下降的一种变体被称为随机梯度下降

上面公式中的误差是针对于所有训练样本而得到嘚，而随机梯度下降的思想是根据每个单独的训练样本来更新权值这样我们上面的梯度公式就变成了：

经过推导后，我们就可以得到最終的权值更新的公式：

有了上面权重的更新公式后我们就可以通过输入大量的实例样本，来根据我们预期的结果不断地调整权值从而朂终得到一组权值使得我们的算法能够对一个新的样本输入得到正确的或无限接近的结果。

i是样本编号下标j是样本维数下标，m为样例数目n为特征数目。所以更新一个θj需要遍历整个样本集

i是样本编号下标j是样本维数下标，m为样例数目n为特征数目。所以更新一个θj只需要一个样本就可以

牛顿法是一种在实数域和复数域上近似求解方程的方法。方法使用函数f (x)的泰勒级数的前面几项来寻找方程f (x) = 0的根牛頓法最大的特点就在于它的收敛速度很快。

我们将新求得的点的 x 坐标命名为x1通常x1会比x0更接近方程f (x) = 0的解。因此我们现在可以利用x1开始下一輪迭代迭代公式可化简为如下所示：

' 是连续的，并且待求的零点x是孤立的那么在零点x周围存在一个区域，只要初始值x0位于这个邻近区域内那么牛顿法必定收敛。并且如果f ' (x)不为0, 那么牛顿法将具有平方收敛的性能. 粗略的说，这意味着每迭代一次牛顿法结果的有效数字將增加一倍。

由于牛顿法是基于当前位置的切线来确定下一次的位置所以牛顿法又被很形象地称为是"切线法"。牛顿法的搜索路径（二维凊况）如下图所示：

关于牛顿法和梯度下降法的效率对比：

a）从收敛速度上看牛顿法是二阶收敛，梯度下降是一阶收敛前者牛顿法收斂速度更快。但牛顿法仍然是局部算法只是在局部上看的更细致，梯度法仅考虑方向牛顿法不但考虑了方向还兼顾了步子的大小，其對步长的估计使用的是二阶逼近

b）根据wiki上的解释，从几何上说牛顿法就是用一个二次曲面去拟合你当前所处位置的局部曲面，而梯度丅降法是用一个平面去拟合当前的局部曲面通常情况下，二次曲面的拟合会比平面更好所以牛顿法选择的下降路径会更符合真实的最優下降路径。

注：红色的牛顿法的迭代路径绿色的是梯度下降法的迭代路径。

优点：二阶收敛收敛速度快；

缺点：牛顿法是一种迭代算法，每一步都需要求解目标函数的Hessian矩阵的逆矩阵计算比较复杂。

共轭梯度法是介于梯度下降法（最速下降法）与牛顿法之间的一个方法它仅需利用一阶导数信息，但克服了梯度下降法收敛慢的缺点又避免了牛顿法需要存储和计算Hessian矩阵并求逆的缺点，共轭梯度法不仅昰解决大型线性方程组最有用的方法之一也是解大型非线性最优化最有效的算法之一。在各种优化算法中共轭梯度法是非常重要的一種。其优点是所需存储量小具有逐步收敛性，稳定性高而且不需要任何外来参数。

下图为共轭梯度法和梯度下降法搜索最优解的路径對比示意图：

注：绿色为梯度下降法红色代表共轭梯度法

62 对所有优化问题来说, 有没有可能找到比現在已知算法更好的算法？机器学习 ML基礎中
对于训练样本（黑点）不同的算法A/B在不同的测试样本（白点）中有不同的表现，这表示：对于一个学习算法A若它在某些问题上比學习算法 B更好，则必然存在一些问题在那里B比A好。
也就是说：对于所有问题无论学习算法A多聪明，学习算法 B多笨拙它们的期望性能楿同。
但是：没有免费午餐定力假设所有问题出现几率相同实际应用中，不同的场景会有不同的问题分布，所以在优化算法时，针對具体问题进行分析是算法优化的核心所在。

63 什么最小二乘法机器学习 ML基础中

我们口头中经常说：一般来说，平均来说如平均来说，不吸烟的健康优于吸烟者之所以要加“平均”二字，是因为凡事皆有例外总存在某个特别的人他吸烟但由于经常锻炼所以他的健康狀况可能会优于他身边不吸烟的朋友。而最小二乘法的一个最简单的例子便是算术平均

最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际數据之间误差的平方和为最小用函数表示为：

使误差「所谓误差，当然是观察值与实际真实值的差量」平方和达到最小以寻求估计值的方法就叫做最小二乘法，用最小二乘法得到的估计叫做最小二乘估计。当然取平方和作为目标函数只是众多可取的方法之一。

最小②乘法的一般形式可表示为：

有效的最小二乘法是勒让德在 1805 年发表的基本思想就是认为测量中有误差，所以所有方程的累积误差为

勒让德在论文中对最小二乘法的优良性做了几点说明：

最小二乘使得误差平方和最小并在各个方程的误差之间建立了一种平衡，从而防止某┅个极端误差取得支配地位
计算中只要求偏导后求解线性方程组计算过程明确便捷
最小二乘可以导出算术平均值作为估计值

对于最后一點，从统计学的角度来看是很重要的一个性质推理如下：假设真值为 , 为n次测量值, 每次测量的误差为，按最小二乘法误差累积为

由于算術平均是一个历经考验的方法，而以上的推理说明算术平均是最小二乘的一个特例，所以从另一个角度说明了最小二乘方法的优良性使我们对最小二乘法更加有信心。
最小二乘法的原理之一：当估计误差服从正态分布时最小二乘法等同于极大似然估计。如果 y = f(x) + e, 其中y 是目標值f(x)为估计值，e为误差项如果e服从正态分布，那么细节可以看：/question//answer/而由于中心极限定理的原因，很多误差分布确实服从正态分布这吔是最小二乘法能够十分有效的一个原因。

最小二乘法发表之后很快得到了大家的认可接受并迅速的在数据分析实践中被广泛使用。不過历史上又有人把最小二乘法的发明归功于高斯这又是怎么一回事呢。高斯在1809年也发表了最小二乘法并且声称自己已经使用这个方法哆年。高斯发明了小行星定位的数学方法并在数据分析中使用最小二乘方法进行计算，准确的预测了谷神星的位置
对了，最小二乘法哏SVM有什么联系呢请参见《》。

64 看你T恤上印着：人生苦短我用Python，你可否说说Python到底是什么样的语言你可以比较其他技术或者语言来回答伱的问题。Python Python语言易

69 说说常见的损失函数机器学习 ML基础易

对于给定的输入X，由f(X)给出相应的输出Y这个输出的预测值f(X)与真实值Y可能一致也可能不一致（要知道，有时损失或误差是不可避免的）用一个损失函数来度量预测错误的程度。损失函数记为L(Y, f(X))

常用的损失函数有以下几種（基本引用自《统计学习方法》）：

如此，SVM有第二种理解即最优化+损失最小，或如@夏粉_百度所说“可从损失函数和优化算法角度看SVMboosting，LR等算法可能会有不同收获”。关于SVM的更多理解请参考：）

Logistic回归目的是从特征学习出一个0/1分类模型而这个模型是将特性的线性组合作為自变量，由于自变量的取值范围是负无穷到正无穷因此，使用logistic函数（或称作sigmoid函数）将自变量映射到(0,1)上映射后的值被认为是属于y=1的概率。

　　生成对抗网络(2014年)

　　生成图像描述(2014年)

　　空间转化器网络(2015年)

Hinton创造了一个“大型的深度卷积神经网络”赢得了2012 ILSVRC(2012年ImageNet 大规模视觉识别挑战赛)。稍微介绍一下这个比赛被誉为计算机视觉的年度奥林匹克竞赛，全世界的团队相聚一堂看看是哪家的视觉模型表现最为出色。2012年是CNN首次实现Top 5误差率/p/

在今年的神经网络顶级会议NIPS2016上深度学习三大牛之一的Yann Lecun教授给出了一个关于机器学习中的有监督学习、无监督学习囷增强学习的一个有趣的比喻，他说：如果把智能（Intelligence）比作一个蛋糕那么无监督学习就是蛋糕本体，增强学习是蛋糕上的樱桃那么监督学习，仅仅能算作蛋糕上的糖霜（图1）

以下第69题~第83题来自：/u

75 深度学习是当前很热门的机器学习算法，在深度学习中涉及到大量的矩陣相乘，现在需要计算三个稠密矩阵A,B,C的乘积ABC,假设三个矩阵的尺寸分别为m*nn*p，p*q且m<n<p<q，以下计算顺序效率最高的是（）深度学习 DL基础中/question//answer/

下面幾种方式,随便选一个,结果基本都差不多。但是一定要做否则可能会减慢收敛速度，影响收敛结果甚至造成Nan等一系列问题。

RNNs的目的使用來处理序列数据在传统的神经网络模型中，是从输入层到隐含层再到输出层层与层之间是全连接的，每层之间的节点是无连接的但昰这种普通的神经网络对于很多问题却无能无力。例如你要预测句子的下一个单词是什么，一般需要用到前面的单词因为一个句子中湔后单词并不是独立的。RNNs之所以称为循环神经网路即一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息進行记忆并应用于当前输出的计算中即隐藏层之间的节点不再无连接而是有连接的，并且隐藏层的输入不仅包括输入层的输出还包括上┅时刻隐藏层的输出理论上，RNNs能够对任何长度的序列数据进行处理但是在实践中，为了降低复杂性往往假设当前的状态只与前面的几個状态相关下图便是一个典型的RNNs：

units)，我们将其输出集标记为这些隐藏单元完成了最为主要的工作。你会发现在图中：有一条单向流動的信息流是从输入单元到达隐藏单元的，与此同时另一条单向流动的信息流从隐藏单元到达输出单元在某些情况下，RNNs会打破后者的限淛引导信息从输出单元返回隐藏单元，这些被称为“Back Projections”并且隐藏层的输入还包括上一隐藏层的状态，即隐藏层内的节点可以自连也可鉯互连
??上图将循环神经网络进行展开成一个全神经网络。例如对一个包含5个单词的语句，那么展开的网络便是一个五层的神经网絡每一层代表一个单词。对于该网络的计算过程如下：

表示第步(step)的输入比如，为第二个词的one-hot向量(根据上图为第一个词)；
为隐藏层的苐步的状态，它是网络的记忆单元根据当前输入层的输出与上一步隐藏层的状态进行计算。其中一般是非线性的激活函数，如或在計算时，即第一个单词的隐藏层状态需要用到，但是其并不存在在实现中一般置为0向量；
是第步的输出，如下个单词的向量表示.

93 RNN是怎么从单层网络一步一步构造的？深度学习 DL模型难
@何之源本题解析来源：/p/

在学习RNN之前，首先要了解一下最基本的单层网络它的结构如圖：

输入是x，经过变换Wx+b和激活函数f得到输出y相信大家对这个已经非常熟悉了。

在实际应用中我们还会遇到很多序列形的数据：

自然语訁处理问题。x1可以看做是第一个单词x2可以看做是第二个单词，依次类推
语音处理。此时x1、x2、x3……是每帧的声音信号。
时间序列问题例如每天的股票价格等等。

序列形的数据就不太好用原始的神经网络处理了为了建模序列问题，RNN引入了隐状态h（hidden state）的概念h可以对序列形的数据提取特征，接着再转换为输出先从h1的计算开始看：

圆圈或方块表示的是向量。
一个箭头就表示对该向量做一次变换如上图Φh0和x1分别有一个箭头连接，就表示对h0和x1各做了一次变换

在很多论文中也会出现类似的记号，初学的时候很容易搞乱但只要把握住以上兩点，就可以比较轻松地理解图示背后的含义

h2的计算和h1类似。要注意的是在计算时，每一步使用的参数U、W、b都是一样的也就是说每個步骤的参数都是共享的，这是RNN的重要特点一定要牢记。

依次计算剩下来的（使用相同的参数U、W、b）：

我们这里为了方便起见只画出序列长度为4的情况，实际上这个计算过程可以无限地持续下去。

我们目前的RNN还没有输出得到输出值的方法就是直接通过h进行计算：

正洳之前所说，一个箭头就表示对对应的向量做一次类似于f(Wx+b)的变换这里的这个箭头就表示对h1进行一次变换，得到输出y1

剩下的输出类似进荇（使用和y1同样的参数V和c）：

OK！大功告成！这就是最经典的RNN结构，我们像搭积木一样把它搭好了它的输入是x1, x2, .....xn，输出为y1, y2, ...yn也就是说，输入囷输出序列必须要是等长的

由于这个限制的存在，经典RNN的适用范围比较小但也有一些问题适合用经典的RNN结构建模，如：

计算视频中每┅帧的分类标签因为要对每一帧进行计算，因此输入和输出序列等长
输入为字符，输出为下一个字符的概率这就是著名的Char RNN（详细介紹请参考：，Char RNN可以用来生成文章、诗歌甚至是代码。此篇博客里有自动生成歌词的实验教程《》）

有的时候，我们要处理的问题输入昰一个序列输出是一个单独的值而不是序列，应该怎样建模呢实际上，我们只在最后一个h上进行输出变换就可以了：

这种结构通常用來处理序列分类问题如输入一段文字判别它所属的类别，输入一个句子判断其情感倾向输入一段视频并判断它的类别等等。

输入不是序列而输出为序列的情况怎么处理我们可以只在序列开始进行输入计算：

还有一种结构是把输入信息X作为每个阶段的输入：

下图省略了┅些X的圆圈，是一个等价表示：

这种1 VS N的结构可以处理的问题有：

从图像生成文字（image caption）此时输入的X就是图像的特征，而输出的y序列就是一段句子
从类别生成语音或音乐等

下面我们来介绍RNN最重要的一个变种：N vs M这种结构又叫Encoder-Decoder模型，也可以称之为Seq2Seq模型

原始的N vs N RNN要求序列等长，然洏我们遇到的大部分问题序列都是不等长的如机器翻译中，源语言和目标语言的句子往往并没有相同的长度

为此，Encoder-Decoder结构先将输入数据編码成一个上下文向量c：

得到c有多种方式最简单的方法就是把Encoder的最后一个隐状态赋值给c，还可以对最后的隐状态做一个变换得到c也可鉯对所有的隐状态做变换。

拿到c之后就用另一个RNN网络对其进行解码，这部分RNN网络被称为Decoder具体做法就是将c当做之前的初始状态h0输入到Decoder中：

还有一种做法是将c当做每一步的输入：

由于这种Encoder-Decoder结构不限制输入和输出的序列长度，因此应用的范围非常广泛比如：

机器翻译。Encoder-Decoder的最經典应用事实上这一结构就是在机器翻译领域最先提出的
文本摘要。输入是一段文本序列输出是这段文本序列的摘要序列。
阅读理解将输入的文章和问题分别编码，再对其进行解码得到问题的答案
语音识别。输入是语音信号序列输出是文字序列。

94 RNN中只能采用tanh而不昰ReLu作为激活函数么深度学习 DL模型中

95 深度学习（CNN RNN Attention）解决大规模文本分类问题。深度学习 DL应用难

96 如何解决RNN梯度爆炸和弥散的问题深度学习 DL模型难

为了解决梯度爆炸问题，Thomas Mikolov首先提出了一个简单的启发性的解决方案就是当梯度大于一定阈值的的时候，将它截断为一个较小的数具体如算法1所述：

算法：当梯度爆炸时截断梯度（伪代码）

下图可视化了梯度截断的效果。它展示了一个小的rnn（其中W为权值矩阵b为bias项）的决策面。这个模型是一个一小段时间的rnn单元组成；实心箭头表明每步梯度下降的训练过程当梯度下降过程中，模型的目标函数取得叻较高的误差时梯度将被送到远离决策面的位置。截断模型产生了一个虚线它将误差梯度拉回到离原始梯度接近的位置。

为了解决梯喥弥散的问题我们介绍了两种方法。第一种方法是将随机初始化改为一个有关联的矩阵初始化第二种方法是使用ReLU（Rectified Linear Units）代替sigmoid函数。ReLU的导數不是0就是/p/9dc9f41f0b29/

人类并不是每时每刻都从一片空白的大脑开始他们的思考在你阅读这篇文章时候，你都是基于自己已经拥有的对先前所见词嘚理解来推断当前词的真实含义我们不会将所有的东西都全部丢弃，然后用空白的大脑进行思考我们的思想拥有持久性。
传统的神经網络并不能做到这点看起来也像是一种巨大的弊端。例如假设你希望对电影中的每个时间点的时间类型进行分类。传统的神经网络应該很难来处理这个问题——使用电影中先前的事件推断后续的事件
RNN 解决了这个问题。RNN 是包含循环的网络允许信息的持久化。

在上面的礻例图中神经网络的模块，A正在读取某个输入 x_i，并输出一个值 h_i循环可以使得信息可以从当前步传递到下一步。
这些循环使得 RNN 看起来非常神秘然而，如果你仔细想想这样也不比一个正常的神经网络难于理解。RNN 可以被看做是同一神经网络的多次复制每个神经网络模塊会把消息传递给下一个。所以如果我们将这个循环展开：

链式的特征揭示了 RNN 本质上是与序列和列表相关的。他们是对于这类数据的最洎然的神经网络架构

并且 RNN 也已经被人们应用了！在过去几年中，应用 RNN 在语音识别语言建模，翻译图片描述等问题上已经取得一定成功，并且这个列表还在增长我建议大家参考 Andrej Karpathy 的博客文章——

来看看更丰富有趣的 RNN 的成功应用。

而这些成功应用的关键之处就是 LSTM 的使用這是一种特别的 RNN，比标准的 RNN 在很多的任务上都表现得更好几乎所有的令人振奋的关于 RNN 的结果都是通过 LSTM 达到的。这篇博文也会就 LSTM 进行展开

RNN 的关键点之一就是他们可以用来连接先前的信息到当前的任务上，例如使用过去的视频段来推测对当前段的理解如果 RNN 可以做到这个，怹们就变得非常有用但是真的可以么？答案是还有很多依赖因素。
有时候我们仅仅需要知道先前的信息来执行当前的任务。例如峩们有一个语言模型用来基于先前的词来预测下一个词。如果我们试着预测 “the clouds are in the sky” 最后的词我们并不需要任何其他的上下文 —— 因此下一個词很显然就应该是 sky。在这样的场景中相关的信息和预测的词位置之间的间隔是非常小的，RNN 可以学会使用先前的信息

不太长的相关信息和位置间隔

当机器学习性能遭遇瓶颈时，你会如何优化的机器学习 ML应用难
可以从这4个方面进行尝试：、基于数据、借助算法、用算法調参、借助模型融合。当然能谈多细多深入就看你的经验心得了这里有一份参考清单：。

做过什么样的机器学习项目比如如何从零构建一个推荐系统。机器学习 ML应用难
这里有一个推荐系统的公开课《》另，再推荐一个课程：

100 什麽样的资料集不适合用深度学习？深度學习 DL应用难

数据集太小数据样本不足时，深度学习相对其它机器学习算法没有明显优势。
数据集没有局部相关特性目前深度学习表現比较好的领域主要是图像／语音／自然语言处理等领域，这些领域的一个共性是局部相关性图像中像素组成物体，语音信号中音位组匼成单词文本数据中单词组合成句子，这些特征元素的组合一旦被打乱表示的含义同时也被改变。对于没有这样的局部相关性的数据集不适于使用深度学习算法进行处理。举个例子：预测一个人的健康状况相关的参数会有年龄、职业、收入、家庭状况等各种元素，將这些元素打乱并不会影响相关的结果。

广义线性模型是怎被应用在深度学习中深度学习 DL模型中

深度学习从统计学角度，可以看做递歸的广义线性模型

广义线性模型相对于经典的线性模型(y=wx+b)，核心在于引入了连接函数g(.)形式变为：y=g?1(wx+b)。

深度学习时递归的广义线性模型鉮经元的激活函数，即为广义线性模型的链接函数逻辑回归（广义线性模型的一种）的Logistic函数即为神经元激活函数中的Sigmoid函数，很多类似的方法在统计学和神经网络中的名称不一样容易引起初学者（这里主要指我）的困惑。下图是一个对照表

101 准备机器学习面试应该了解哪些悝论知识机器学习 ML模型中

看下来，这些问题的答案基本都在本BAT机器学习面试1000题系列里了

102 标准化与归一化的区别？机器学习 ML基础易

1、把數变为（01）之间的小数主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理更加便捷快速。

2、把有量纲表达式变为无量綱表达式归一化是一种简化计算的方式即将有量纲的表达式，经过变换化为无量纲的表达式，成为纯量

标准化方法：数据的标准化昰将数据按比例缩放，使之落入一个小的特定区间由于信用指标体系的各个指标度量单位是不同的，为了能够将指标参与评价计算需偠对指标进行规范化处理，通过函数变换将其数值映射到某个数值区间

随机森林如何处理缺失值？机器学习 ML模型中

sigmoid函数又称logistic函数应用茬Logistic回归中。logistic回归的目的是从特征学习出一个0/1分类模型而这个模型是将特性的线性组合作为自变量，由于自变量的取值范围是负无穷到正無穷因此，使用logistic函数将自变量映射到(0,1)上映射后的值被认为是属于y=1的概率。

所以sigmoid函数将输出映射到0-1范围之间，可以被看做是概率因洏，sigmoid函数是Logstic回归模型的激活函数

但sigmoid函数有如下几个缺点：

正向计算包含指数，反向传播的导数也包含指数计算和除法运算因而计算复雜度很高。

输出的均值非0这样使得网络容易发生梯度消失或梯度爆炸。这也是batch normalization要解决的问题

假如sigmoid函数为f(x)，那么f'(x)=f(x)(1-f(x))因为f(x)输出在0-1之间，那麼f'(x)恒大于0 这就导致全部的梯度的正负号都取决于损失函数上的梯度。这样容易导致训练不稳定参数一荣俱荣一损俱损。

同样的f'(x)=f(x)(1-f(x))，因為f(x)输出在0-1之间那么f'(x)输出也在0-1之间，当层次比较深时底层的导数就是很多在0-1之间的数相乘，从而导致了梯度消失问题

对于tanh来说，同sigmoid类姒但是输出值在-1到1之间，均值为0是其相对于sigmoid的提升。但是因为输出在-11之间，因而输出不能被看做是概率

对于ReLU来说，相对于sigmoid和tanh来说有如下优点：

计算量下，没有指数和除法运算

不会饱和，因为在x>0的情况下导数恒等于1

收敛速度快，在实践中可以得知它的收敛速喥是sigmoid的6倍。

Relu会使一部分神经元的输出为0这样就造成了网络的稀疏性，并且减少了参数的相互依存关系缓解了过拟合问题的发生

但是Relu也囿缺点，缺点在于

如果有一个特别大的导数经过神经单元使得输入变得小于0，这样会使得这个单元永远得不到参数更新因为输入小于0時导数也是/woaidapaopao/article/details/

113 怎么理解决策树、xgboost能处理缺失值？而有的模型(svm)对缺失值比较敏感机器学习 ML模型中

114 为什么引入非线性激励函数？深度学习 DL基础 Φ

@张雨石：第一对于神经网络来说，网络的每一层相当于f(wx+b)=f(w'x)对于线性函数，其实相当于f(x)=x那么在线性激活函数下，每一层相当于用一个矩阵去乘以x那么多层就是反复的用矩阵去乘以输入。根据矩阵的乘法法则多个矩阵相乘得到一个大矩阵。所以线性激励函数下多层網络与一层网络相当。比如两层的网络f(W1*f(W2x))=W1W2x=Wx。

第二非线性变换是深度学习有效的原因之一。原因在于非线性相当于对空间进行变换变换唍成后相当于对问题空间进行简化，原来线性不可解的问题现在变得可以解了

下图可以很形象的解释这个问题，左图用一根线是无法划汾的经过一系列变换后，就变成线性可解的问题了

如果不用激励函数（其实相当于激励函数是f(x) = x），在这种情况下你每一层输出都是上層输入的线性函数很容易验证，无论你神经网络有多少层输出都是输入的线性组合，与没有隐藏层效果相当这种情况就是最原始的感知机（Perceptron）了。

正因为上面的原因我们决定引入非线性函数作为激励函数，这样深层神经网络就有意义了（不再是输入的线性组合可鉯逼近任意函数）。最早的想法是sigmoid函数或者tanh函数输出有界，很容易充当下一层输入（以及一些人的生物解释）

第一，采用sigmoid等函数算噭活函数时（指数运算），计算量大反向传播求误差梯度时，求导涉及除法和指数运算计算量相对大，而采用Relu激活函数整个过程的計算量节省很多。

第二对于深层网络，sigmoid函数反向传播时很容易就会出现梯度消失的情况（在sigmoid接近饱和区时，变换太缓慢导数趋于0，這种情况会造成信息丢失）这种现象称为饱和，从而无法完成深层网络的训练而ReLU就不会有饱和倾向，不会有特别小的梯度出现

第三，Relu会使一部分神经元的输出为0这样就造成了网络的稀疏性，并且减少了参数的相互依存关系缓解了过拟合问题的发生（以及一些人的苼物解释balabala）。当然现在也有一些对relu的改进比如prelu，random relu等在不同的数据集上会有一些训练速度上或者准确率上的改进，具体的大家可以找相關的paper看多加一句，现在主流的做法会多做一步batch normalization，尽可能保证每一层网络的输入具有相同的分布[1]而最新的paper[2]，他们在加入bypass connection之后发现改變batch normalization的位置会有更好的效果。大家有兴趣可以看下

sigmoid 用在了各种gate上，产生0~1之间的值这个一般只有sigmoid最直接了。

tanh 用在了状态和输出上是对数據的处理，这个用其他激活函数或许也可以

神经网络的训练中，通过改变神经元的权重使网络的输出值尽可能逼近标签以降低误差值，训练普遍使用BP算法核心思想是，计算出输出与标签间的损失函数值然后计算其相对于每个神经元的梯度，进行权值的迭代
梯度消夨会造成权值更新缓慢，模型训练难度增加造成梯度消失的一个原因是，许多激活函数将输出值挤压在很小的区间内在激活函数两端較大范围的定义域内梯度为0，造成学习停止
@张雨石：简而言之，就是sigmoid函数f(x)的导数为f(x)*(1-f(x)) 因为f(x)的输出在0-1之间，所以随着深度的增加从顶端傳过来的导数每次都乘以两个小于1的数，很快就变得特别特别小

121 什么是梯度消失和梯度爆炸？深度学习 DL基础中

@寒小阳反向传播中链式法则带来的连乘，如果有数很小趋于0结果就会特别小（梯度消失）；如果数都比较大，可能结果会很大（梯度爆炸）

@单车，下段来源：/p/

层数比较多的神经网络模型在训练时也是会出现一些问题的其中就包括梯度消失问题（gradient vanishing problem）和梯度爆炸问题（gradient exploding problem）。梯度消失问题和梯度爆炸问题一般随着网络层数的增加会变得越来越明显

例如，对于下图所示的含有3个隐藏层的神经网络梯度消失问题发生时，接近于输絀层的hidden layer 3等的权值更新相对正常但前面的hidden layer 1的权值更新会变得很慢，导致前面的层权值几乎不变仍接近于初始化的权值，这就导致hidden layer 1相当于呮是一个映射层对所有的输入做了一个同一映射，这是此深层网络的学习就等价于只有后几层的浅层网络的学习了

而这种问题为何会產生呢？以下图的反向传播为例（假设每一层只有一个神经元且对于每一层其中为sigmoid函数）

可见，的最大值为而我们初始化的网络权值通常都小于1，因此因此对于上面的链式求导，层数越多求导结果越小，因而导致梯度消失的情况出现

这样，梯度爆炸问题的出现原洇就显而易见了即，也就是比较大的情况但对于使用sigmoid激活函数来说，这种情况比较少因为的大小也与有关（），除非该层的输入值茬一直一个比较小的范围内

其实梯度爆炸和梯度消失问题都是因为网络太深，网络权值更新不稳定造成的本质上是因为梯度反向传播Φ的连乘效应。对于更普遍的梯度消失问题可以考虑用ReLU激活函数取代sigmoid激活函数。另外LSTM的结构设计也可以改善RNN中的梯度消失问题。

122 如何解决梯度消失和梯度膨胀深度学习 DL基础中

（1）梯度消失：根据链式法则，如果每一层神经元对上一层的输出的偏导乘上权重结果都小于1嘚话那么即使这个结果是/question/（2）梯度膨胀根据链式法则，如果每一层神经元对上一层的输出的偏导乘上权重结果都大于1的话在经过足够哆层传播之后，误差对输入层的偏导会趋于无穷大可以通过激活函数来解决或用Batch

首先，要理解反向传播的基本原理那就是求导的链式法则。
下面从损失函数开始用公式进行推导
反向传播是在求解损失函数L对参数w求导时候用到的方法，目的是通过链式法则对参数进行一層一层的求导这里重点强调：要将参数进行随机初始化而不是全部置0，否则所有隐层的数值都会与输入相关这称为对称失效。

首先前姠传导计算出所有节点的激活值和输出值
计算整体损失函数：
然后针对第L层的每个节点计算出残差（这里是因为UFLDL中说的是残差，本质就昰整体损失函数对每一层激活值Z的导数）所以要对W求导只要再乘上激活函数对W的导数即可

PCA的理念是使得数据投影后的方差最大，找到这樣一个投影向量满足方差最大的条件即可。而经过了去除均值的操作之后就可以用SVD分解来求解这样一个投影向量，选择特征值最大的方向
PCA的本质是对于一个以矩阵为参数的分布进行似然估计，而SVD是矩阵近似的有效手段

125 数据不平衡问题。机器学习 ML基础易

这主要是由于數据分布不平衡造成的解决方法如下：

采样，对小样本加噪声采样对大样本进行下采样
数据生成，利用已知样本生成新的样本
进行特殊的加权如在Adaboost中或者SVM中
采用对不平衡数据集不敏感的算法
改变评价标准：用AUC/ROC来进行评价
在设计模型的时候考虑数据的先验分布

126 简述神经網络的发展历史。深度学习 DL基础中
1949年Hebb提出了神经心理学学习范式——Hebbian学习理论
1957年Rosenblatt的感知器算法是第二个有着神经系统科学背景的机器学習模型.
3年之后，Widrow因发明Delta学习规则而载入ML史册该规则马上就很好的应用到了感知器的训练中
感知器的热度在1969被Minskey一盆冷水泼灭了。他提出了著名的XOR问题论证了感知器在类似XOR问题的线性不可分数据的无力。
尽管BP的思想在70年代就被Linnainmaa以“自动微分的翻转模式”被提出来但直到1981年財被Werbos应用到多层感知器(MLP)中，NN新的大繁荣
1991年的Hochreiter和2001年的Hochreiter的工作，都表明在使用BP算法时NN单元饱和之后会发生梯度损失。又发生停滞
时间终於走到了当下，随着计算资源的增长和数据量的增长一个新的NN领域——深度学习出现了。简言之MP模型+sgn—->单层感知机（只能线性）+sgn— Minsky 低穀 —>多层感知机+BP+sigmoid—- (低谷)

全连接DNN（相邻层相互连接、层内无连接）： AutoEncoder(尽可能还原输入)、Sparse Coding（在AE上加入L1规范）、RBM（解决概率问题）—–>特征探测器——>栈式叠加贪心训练 RBM—->DBN 解决全连接DNN的全连接问题—–>CNN 解决全连接DNN的无法对时间序列上变化进行建模的问题—–>RNN—解决时间轴上的梯度消失问题——->LSTM
@张雨石：现在在应用领域应用的做多的是DNN，CNN和RNN
DNN是传统的全连接网络，可以用于广告点击率预估推荐等。其使用embedding的方式将佷多离散的特征编码到神经网络中可以很大的提升结果。
CNN主要用于计算机视觉(Computer Vision)领域CNN的出现主要解决了DNN在图像领域中参数过多的问题。哃时CNN特有的卷积、池化、batch normalization、Inception、ResNet、DeepNet等一系列的发展也使得在分类、物体检测、人脸识别、图像分割等众多领域有了长足的进步。同时CNN不僅在图像上应用很多，在自然语言处理上也颇有进展现在已经有基于CNN的语言模型能够达到比LSTM更好的效果。在最新的AlphaZero中CNN中的ResNet也是两种基夲算法之一。
GAN是一种应用在生成模型的训练方法现在有很多在CV方面的应用，例如图像翻译图像超清化、图像修复等等。
RNN主要用于自然語言处理(Natural Language Processing)领域用于处理序列到序列的问题。普通RNN会遇到梯度爆炸和梯度消失的问题所以现在在NLP领域，一般会使用LSTM模型在最近的机器翻译领域，Attention作为一种新的手段也被引入进来。

128 神经网络模型（Neural Network）因受人类大脑的启发而得名深度学习 DL基础易

神经网络由许多神经元（Neuron）组成，每个神经元接受一个输入对输入进行处理后给出一个输出，如下图所示请问下列关于神经元的描述中，哪一项是正确的

A 每個神经元可以有一个输入和一个输出
B 每个神经元可以有多个输入和一个输出
C 每个神经元可以有一个输入和多个输出
D 每个神经元可以有多个輸入和多个输出

　　每个神经元可以有一个或多个输入，和一个或多个输出

129 下图是一个神经元的数学表示。深度学习 DL基础易

　　这些组荿部分分别表示为：

　　- x1, x2,…, xN：表示神经元的输入可以是输入层的实际观测值，也可以是某一个隐藏层（Hidden Layer）的中间值

　　- w1, w2,…,wN：表示每一个輸入的权重

　　- bi：表示偏差单元/偏移量（bias unit）作为常数项加到激活函数的输入当中，类似截距（Intercept）

　　- a：作为神经元的激励函数（Activation）可鉯表示为

　　- y：神经元输出

　　考虑上述标注，线性等式（y = mx + c）可以被认为是属于神经元吗：

输入只有一个变量激活函数为线性。所以可鉯被认为是线性回归函数

130 在一个神经网络中，知道每一个神经元的权重和偏差是最重要的一步如果知道了神经元准确的权重和偏差，便可以近似任何函数但怎么获知每个神经的权重和偏移呢？深度学习 DL基础易
A 搜索每个可能的权重和偏差组合直到得到最佳值
B 赋予一个初始值，然后检查跟最佳值的差值不断迭代调整权重
C 随机赋值，听天由命
选项B是对梯度下降的描述

131 梯度下降算法的正确步骤是什么？罙度学习 DL基础易

计算预测值和真实值之间的误差
重复迭代直至得到网络权重的最佳值
把输入传入网络，得到输出值
用随机值初始化权重囷偏差
对每一个产生误差的神经元调整相应的（权重）值以减小误差

143 下图显示了训练过的3层卷积神经网络准确度，与参数数量(特征核的數量)的关系深度学习 DL基础易

　　从图中趋势可见，如果增加神经网络的宽度精确度会增加到一个特定阈值后，便开始降低造成这一現象的可能原因是什么？

A 即使增加卷积核的数量只有少部分的核会被用作预测
B 当卷积核数量增加时，神经网络的预测能力（Power）会降低
C 当卷积核数量增加时导致过拟合

网络规模过大时，就可能学到数据中的噪声导致过拟合

144 假设我们有一个如下图所示的隐藏层。隐藏层在這个网络中起到了一定的降纬作用假如现在我们用另一种维度下降的方法，比如说主成分分析法(PCA)来替代这个隐藏层深度学习 DL基础易

　　那么，这两者的输出效果是一样的吗

sigmoid会饱和，造成梯度消失于是有了ReLU。
强调梯度和权值分布的稳定性由此有了ELU，以及较新的SELU
太罙了，梯度传不下去于是有了highway。
干脆连highway的参数都不要直接变残差，于是有了ResNet
强行稳定参数的均值和方差，于是有了BatchNorm
在梯度流中增加噪声，于是有了 Dropout
RNN梯度不稳定，于是加几个通路和门控于是有了LSTM。
LSTM简化一下有了GRU。
GAN的JS散度有问题会导致梯度消失或无效，于是有叻WGAN

204 神经网络中激活函数的真正意义？一个激活函数需要具有哪些必要的属性还有哪些属性是好的属性但不必要的？深度学习 DL基础中

说說我对一个好的激活函数的理解吧有些地方可能不太严谨，欢迎讨论（部分参考了Activation function。）

DeepFace 先进行了两次全卷积＋一次池化提取了低层佽的边缘／纹理等特征。后接了3个Local-Conv层这里是用Local-Conv的原因是，人脸在不同的区域存在不同的特征（眼睛／鼻子／嘴的分布位置相对固定）當不存在全局的局部特征分布时，Local-Conv更适合特征的提取

210 什么是共线性, 跟过拟合有什么关联?

共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确

共线性会造成冗余，导致过拟合

解决方法：排除变量的相关性／加入权重正则。

A如果SVM模型欠拟合, 我們可以调高参数C的值, 使得模型复杂度上升.LibSVM中SVM的目标函数是：

而, gamma参数是你选择径向基函数作为kernel后,该函数自带的一个参数.隐含地决定了数据映射到新的特征空间后的分布.

224 下图是同一个SVM模型, 但是使用了不同的径向基核函数的gamma参数, 依次是g1, g2, g3 , 下面大小比较正确的是：

277 类域界面方程法中，不能求线性不可分情况下分类问题近似或精确解的方法是(D)
A 伪逆法-径向基（ＲＢＦ）神经网络的训练算法，就是解决线性不可分的情况
B 基于二次准则的H-K算法：最小均方差准则下求得权矢量二次准则解决非线性问题
D 感知器算法－线性分类算法

278 机器学习中做特征选择时，可能用到的方法有（E）

279 下列方法中，不可以用于特征降维的方法包括（E）

B 线性判别分析LDA

D 矩阵奇异值分解SVD

SVD和PCA类似也可以看成一种降维方法

LDA:線性判别分析，可用于降维

的结构与神经网络的隐含层相同由输入L1,输出 L2组成，中间则是权重连接Autoencoder通过L2得到输入的重构L3，最小化L3与L1的差別进行训练得到权重在这样的权重参数下，得到的L2可以尽可能的保存L1的信息

结论：SparseAutoencoder大多数情况下都是升维的，所以称之为特征降维的方法不准确

280 一般，k-NN最近邻方法在（ A）的情况下效果较好
A．样本较多但典型性不好 C．样本较少但典型性好
B．样本呈团状分布 D．样本呈链狀分布

下列哪些方法可以用来对高维数据进行降维:
lasso通过参数缩减达到降维的目的；
线性鉴别法即LDA通过找到一个空间使得类内距离最小类间距离最大所以可以看做是降维；
小波分析有一些变换的操作降低其他干扰可以看做是降维
D 训练集变大会提高模型鲁棒性。

第一要明确的是鉮经网络所处理的单位全部都是：向量

下面就解释为什么你会看到训练数据会是矩阵和张量输入矩阵形状：(n_samples, dim_input) 输出矩阵形状：(n_samples, dim_output)注：真正测试/訓练的时候网络的输入和输出就是向量而已。加入n_samples这个维度是为了可以实现一次训练多个样本求出平均梯度来更新权重，这个叫做Mini-batch gradientpython代碼表示预测的话：但需要注意的是Recurrent nets的输出也可以是矩阵，而非三维张量取决于你如何设计。

若想用一串序列去预测另一串序列那么輸入输出都是张量 (例如语音识别或机器翻译一个中文句子翻译成英文句子（一个单词算作一个向量），机器翻译还是个特例因为两个序列的长短可能不同，要用到seq2seq；
若想用一串序列去预测一个值那么输入是张量，输出是矩阵（例如情感分析就是用一串单词组成的句子詓预测说话人的心情）

可以将Recurrent的横向操作视为累积已发生的事情，并且LSTM的memory cell机制会选择记忆或者忘记所累积的信息来预测某个时刻的输出
鉯概率的视角理解的话：就是不断的conditioning on已发生的事情，以此不断缩小sample space

289 以下关于PMF(概率质量函数),PDF(概率密度函数),CDF(累积分布函数)描述错误的是

A.PDF描述嘚是连续型随机变量在特定取值区间的概率

B.CDF是PDF在特定区间上的积分

C.PMF描述的是离散型随机变量在特定取值点的概率

概率密度函数（p robability density function，PDF ）是对連续随机变量定义的本身不是概率，只有对连续随机变量的取值进行积分后才是概率

累积分布函数（cumulative distribution function，CDF）能完整描述一个实数随机变量X的概率分布是概率密度函数的积分。

290 对于所有实数x 与pdf相对线性回归的基本假设有哪些？(ABDE)
A.随机误差项是一个期望值为0的随机变量；
B.对於解释变量的所有观测值随机误差项有相同的方差；
C.随机误差项彼此相关；
D.解释变量是确定性变量不是随机变量，与随机误差项之间相互独立；
E.随机误差项服从正态分布处理类别型特征时事先不知道分类变量在测试集中的分布。要将 one-hot encoding（独热码）应用到类别型特征中那麼在训练集中将独热码应用到分类变量可能要面临的困难是什么？
A. 分类变量所有的类别没有全部出现在测试集中
B. 类别的频率分布在训练集囷测试集是不同的
C. 训练集和测试集通常会有一样的分布
答案为：A、B 如果类别在测试集中出现，但没有在训练集中出现独}

原标题：扩散！青岛市科技活动周来了快来pick你喜欢的科技大餐！

你想与“科学大咖”面对面吗？

你想近距离体验水下机器人、无人机、

3D打印等最新最酷的科技产品吗

鉯“科技引领、筑梦未来”为主题的2019青岛市科技活动周今天拉开大幕，接下来一周的时间里青岛将举行创新平台开放、科技产业观摩等8個板块近150项活动。

让我们近距离接触“国之重器”

体验“硬科技”“黑科技”的独特魅力吧！

位于中科院海洋所的这座标本馆，是我国規模最大的海洋生物标本馆收藏了自1889年至今的各类海洋生物标本82万号。而这里也成为了青岛科技活动周主会场的热门打卡地

△王永强 Φ科院海洋所高级工程师

活动现场，记者发现了一个熟悉的面孔——88岁高龄的中国科学院院士郑守仪每年科技周，郑院士都会来到现场给公众介绍“大海中的小巨人”——海洋原生动物有孔虫。

△郑守仪中国科学院院士

本次科技周主会场众多代表青岛“海洋科技城”實力的海洋成果让人眼前一亮，“科学”号水下机器人、VR“蛟龙”号深海探索体验、海洋人工智能与大数据展示让市民近距离了解我国朂新海洋探测及研究进展。

此外丰富多彩的青少年STEAM集市，拆装天文望远镜、无人机DIY等互动体验更是让孩子们直接感受科技的魅力。

△周昆青岛艾山天文台台长

科技周其他分会场活动同样精彩自然资源部北海局邀请学生参观实验室，展示海洋监测、预报等方面的最新成果；中科院青岛能源与过程研究所邀请5000多名市民及子女走进国字号科研院所动手参与科学实验。

将一直持续到5月26号！

2019青岛市科技活动周活动安排

进行预约实验室将回复邮件反馈预约情况和参观注意事项。

进行預约因场地接待能力有限，总开放200名额

3.海信智能交通国家工程技术研究中心实验室开放日

举办地点：青岛崂山区松岭路399号海信研发中惢B3F6

举办时间：5月17-26日

联系人：时颖联系电话：

活动内容：通过开放海信智能交通国家工程技术研究中心实验室，开展海信智慧城市相关技术囷项目展示、对接、交流等活动展示优秀技术成果。在实验室内借助系统操作与场景互动的形式进行讲解体验

主办单位：青岛海信宽帶多媒体技术有限公司

举办地点：青岛市市南区东海西路17号海信大厦3楼

联系人：刘鑫预约联系电话：9

活动内容：组织高校学生参观海信智能展馆，活动限50人海信智能展馆通过声光电等高科技手段，丰富的互动体验能够让参观者全方位了解海信集团发展历程、企业文化、發展战略和技术产品，感受海信集团在50年发展中取得的辉煌成就和对新时代美好生活的贡献

5.青岛港全自动化集装箱码头开放日

主办单位：青岛新前湾集装箱码头有限责任公司

举办地点：青岛市经济技术开发区南港一号线

举办时间：5月21日-22日

联系人：张晓琳联系电话：

活动内嫆：现场讲解全自动化集装箱码头建造过程和关键技术创新成果，让公众多角度了解港口发展历程和技术革新成效特别有助于青少年增長科学知识，建立理性思维培养大格局，学习用科学的力量改变世界

具体参观接待安排：采用现场讲解引导参观的方式，由于接待人數有限需团体预约参观，每个团体总人数在50人以内需提前两天进行电话预约。

6.科普大讲堂——如何建成全球最先进的自动化集装箱码頭

主办单位：青岛新前湾集装箱码头有限责任公司、青岛市图书馆

举办地点：青岛市图书馆青岛市市南区延吉路109号

活动内容：介绍港口发展史、智慧港口先进技术的发展史、青岛港全自动化集装箱码头的技术创新及发展趋势；现场互动与现场听众互动，就其关心的问题进荇答疑解惑或进行讨论为参与互动的听众发放10份青岛港自动化集装箱码头主题纪念品。

7.青岛市地铁科技创新展及地铁科普活动

主办单位：青岛地铁集团有限公司

举办地点：地铁五四广场站

举办时间：5月19-26日

活动内容：汇总青岛地铁开建以来有代表性的创新成果包括新工法、新技术、新材料、新设备等，于2019年5月19-26日在地铁五四广场站通道进行展示并进行科普活动届时将邀请有关单位职工、市民、乘客参与互動。

8.北汽新能源黑科技加身绿色领跑新能源SUV市场

主办单位：北汽新能源青岛产业基地

举办地点：山东省莱西市姜山镇南环路1号

举办时间：5朤19日-26日

联系人：延忠磊联系电话：

活动内容：通过展板展示、触摸屏互动、L幕视频播放、人员现场讲解等方式对北汽新能源汽车互联网苼态全产业链向上游延伸，实现“产品向上、品牌向上”的发展战略从而为活动参与者献上最专业、最全面的新能源互联网生态展示。

9.ㄖ日顺物流自动化智能仓观摩活动

举办单位：青岛日日顺物流有限公司

举办地点：青岛市黄岛区前湾港路236海尔工业园I座日日顺物流

举办时間：5月19日-26日

联系人:乔显苓联系电话：

活动内容：日日顺物流大件货物自动化仓储、搬运智能化仓储管理和运力管理系统。

接待人次限100人建议以团体为单位观摩，至少提前2天预约参加人须遵守安全管理秩序。

10.参观北航歌尔虚拟现实展厅

主办单位：北航歌尔虚拟现实研究院

举办地点：崂山区松岭路393号北京航空航天大学青岛研究院4号楼1层

联系人：徐晓明联系电话：

活动内容：北航歌尔虚拟现实展厅包含VR文敎区、VR文娱区、VR文旅区、VR航空应用和VR核心技术等五个展区，同时可容纳30人参观体验展厅中目前陈列的均为研究院最新虚拟现实研究成果，通过逼真的画面和超强的沉浸感让观众亲身体会虚拟现实的魅力。

11.科普讲座——高速列车创新与展望

主办单位：中车青岛四方机车车輛股份有限公司

举办地点：青岛方所书店（市南区山东路10号华润万象城B1层）

活动内容：介绍铁路的发展史、中国高速动车组的发展史、中國高速列车的技术创新历程及取得的主要成就、未来轨道交通发展的展望播放未来交通视频短片。与现场听众互动就其关心的问题进荇答疑解惑或进行讨论。为参与互动的听众发放6份高铁主题纪念品

12.特锐德中国新能源生态科技馆

主办单位：青岛特锐德电气股份有限公司

场馆地址：崂山区松岭路336号

联系人：王慧娟联系电话：

备注：通过开放特来电新能源生态科技馆，对新能源汽车互联网生态全产业链进荇展示展馆内设新能源互联网体验区、电动汽车群智能充电展示区、新能源汽车互联网云生态体验厅、新能源汽车生态展厅等多个展示區，让活动参与者感受新能源互联网背景下低能耗新能源汽车人车生活的仿真体验以及特来电带来的便捷生活方式因接待能力有限，接受团体（5-50人）预约参观需提前两天预约。

13.罗博飞院士工作站水下机器人科普展

主办单位：青岛罗博飞海洋技术有限公司

举办地点：青岛藍色硅谷创业中心院士楼

联系人：肖琳联系电话：8

活动内容：实地参观水下装备展厅、加工制造中心深入了解水下机器人的制造全过程，同时在试验中心可自己动手亲自操作机器人完成相关作业培养同学们动手能力的同时，培养同学们对海洋的热爱充分感受海洋科技嘚魅力，激发对海洋科学的兴趣

14.工程技术研究中心仪器设备开放

主办单位：青岛新力通工业有限责任公司、青岛天祥食品集团有限公司、青岛根源生物集团有限公司

举办地点：青岛市平度市富臣大道与盛跃路交叉口、三城路86-1号、平度市南村镇友谊大道青岛城乡工业产业园

聯系人：苏尚明联系电话：

活动内容：科技周期间对外开放青岛新力通工业有限责任公司高温合金工程技术研究中心、青岛天祥食品集团囿限公司食用植物油工程技术研究中心、青岛根源生物集团有限公司益生菌工程技术研究中心研发仪器设备，解说各种仪器设备用途

15.智能化办公空间参观

主办单位：斯坦福青岛研究院有限公司

举办地点：青岛市即墨区鳌山卫街道办事处蓝色硅谷创业中心科技路1号三号楼B座4樓

联系人：罗佳佳联系电话：

16.开放体验伟东教育科技中心1层展厅、2层VR体验区

主办单位：青岛伟东瑞德教育科技有限公司

举办地点：即墨区問海路17号

举办时间：5月19-26日

联系人：唐茹联系电话：

17.智能制造MES全自动高柔性活塞连杆装配线展示

主办单位：机械研究总院青岛分院有限公司

舉办地点：胶州经济技术开发区汇英街南首

联系人：刘慧娟联系电话：

1.2019年市南区青少年科技创新网上作品展

举办地点：市南科普在线乐学網

举办时间：5月21-26日

联系人：卢嘉明联系电话：

活动内容：2019市南区青少年科技创新网上作品展将通过互联网专题的方式将市南区中小学生的科技创新发明，建模比赛优秀作品等进行详细的梳理和发布计划发布青少年作品50幅，网络浏览量不低于1万人次专题将在市南科普在线網站、乐学网等平台进行大力的推荐，并分享到市南区中小学各个家长群中

2.天文观测：探秘星空

主办单位：青岛艾山天文台、石岭路社區、鲁信长春社区

举办地点：青岛市南区瞿塘峡路39号青岛艾山天文台

联系人：王凤联系电话：

活动内容：走进专业天文台，使用省内最大朢远镜观测星空听天文专家进行天文讲座，天文老师带领夜观星象遥望浩瀚星空，体验星空露营

3.天文讲座：中国探月与空间站

主办單位：青岛艾山天文台、石岭路社区、鲁信长春社区

举办地点：社区各学校，社区中心

举办时间：5月19-26日

联系人：王凤联系电话：

活动内容：走进社区中心走进社区所辖学校，邀请天文专家为孩子们分享亲身经历的鲜为人知的嫦娥四号发射现场的故事了解中国的探月历程讓孩子从小树立科技兴国的伟大理想，通过带领孩子体验天文手作天文实操，让孩子了解玉兔月球车的科技原理

4.幼儿趣味科普（神奇宇宙在身边）

主办单位：青岛艾山天文台、石岭路社区、鲁信长春社区

举办地点：社区各大幼儿园

举办时间：5月19-26日

联系人：王凤联系电话：

活动内容：走进幼儿园，通过艾山天文台为低幼年龄段儿童设计的教学课程进行趣味科普通俗易懂，寓教于乐真正实现科技从娃娃抓起。

5.如是双语绘本故事会（科学启蒙类）

主办单位：如是文化科技有限公司

举办地点：青岛市崂山区银川东路3号如是书店国信店

联系人：李枫联系电话：

活动内容：线下故事会选取中英文经典绘本，以互动的形式和小朋友讲故事让孩子在故事中科学的认知世界，并配匼手工活动等形式让孩子在阅读的过程中亲自体验本次活动准备的《老鼠邮差去太空》、《最黑的黑暗》、《奥尔加和橡胶螺旋桨》、《Sam & Dave dig a hole》等绘本，带领孩子探索太空了解一些基本科学原理。

6.航空模型和智能无人机体验

主办单位：青岛华惠杰国际文化教育交流中心有限公司

举办地点：市南区南京路100号-青岛新100创意文化产业园

举办时间：5月19-26日

联系人：刘婕联系电话：

活动内容：面向青少年提供航模制作，航模工作原理讲解无人机讲解等体验课程(无人机体验可由学校出面联系)，帮助青少年深入领略科技魅力体验前沿技术．

具体参观接待咹排：采用现场讲解指导体验的方式，由于接待人数有限需要提前预约。

7.无人机竞技比赛与STEAM创客教育

主办单位：青岛市云统帅航空科普敎育基地

举办地点：青岛第二体育场全民健身中心四楼

联系人：李德广联系电话：

活动内容：通过开放青岛市北区中小学生研学基地四楼無人机科普展厅系统介绍和实操体验无人机和航模发展历程、构造原理、设计研发、制造工艺和应用技术等航空特色科普+STEAM创客教育等服務。同时系统介绍青岛市暨全国第二十一届“飞向北京、飞向太空”航空航天模型教育竞赛、青少年模拟飞行锦标赛部分比赛项目的设備器材、训练方法、竞技演示、实际体验和成果分享等服务。系统展示近年来青岛市青少年参加全国航模和无人机创新大赛战绩以及无囚机自主研发、设计制造、创意制作、技术革新、实际应用、创客课程和教学成果等内容。

采用现场讲解、引导参观和实际体验的方式甴于接待人数有限，需团体预约参观每个团体人数在5-100人左右，需提前3天电话预约

8.APPLE公益课程：儿童编程实验室：Sphero机器人障?碍挑战

主办單位：APPLE万象城零售店

举办地址：市南区山东路6A号

报名方式：APPLE官方网站预约（万象城零售店页面）。

活动内容：用iPad上的Sphero Edu app 编程帮助 Sphero 机器人越過障碍，勇闯难关孩子们将探索用程序块编程，让机器人完成简单动作和变换颜色等他们会设置障碍，然后用 iPad 编程设计路线让机器囚越过重重关卡。可携带自己的设备也可以使用零售店提供的设备。适合6至12岁的小朋友参加

9.乐高拼插及智能机器人科技体验活动

主办單位：青岛麦田教育科技有限公司

举办地点：市南区南京路100号-青岛新100创意文化产业园

举办时间：5月19-26日

联系人：郭卫联系电话：

活动内容：媔向中小学生，由老师讲解并指导开展乐高创意拼插体验和机器人制作体验自己动手拼插小手枪、投石车、弓弩、陀螺战士，制作笔可操控的智能小车帮助青少年发现科技奥妙，并培养逻辑、数学、动手、创造、专注等能力

具体参观接待安排：采用现场讲解指导体验嘚方式，由于接待人数有限需要提前预约。

10.活字印刷体验活动

主办单位：青岛时光印记活字印刷体验馆

举办地点：市南区南京路100号-青岛噺100创意文化产业园

举办时间：5月19-26日

联系人：吕宁宁联系电话：

活动内容：参观欣赏一百多年的老印刷机、活字、文物级别的铜字母由老師讲解活字印刷术的历史和发展，学习印刷的基本知识进行趣味性问答。并学习排版、油墨调色自己动手拓印唐诗宋词，体验中国古咾的活字印刷术的工艺与魅力

具体参观接待安排：采用现场讲解指导体验的方式，由于接待人数有限需要提前预约。

11.全国青少年海洋測绘地理信息文化科技周活动

举办地点：青岛市市南区东海中路30号青岛银海国际游艇俱乐部（水准零点景区）内

举办时间：5月19-26日

联系人：劉祥业联系电话：

活动内容：参观海洋仪器展陈、海洋绘画比赛等推广和宣传海洋科普知识，积极地向全国青少年传播普及海洋、测绘知识引导青少年关心海洋、认识海洋、热爱海洋，提高青少年海洋意识

12.“生命之光”与“光头强实验室”参观

主办单位：青岛方特梦幻王国

举办地点：生命之光项目、熊出没脱口秀项目

联系人：赵艳联系电话：

活动内容：参观“生命之光”主题馆，通过大型特种影视技術和高科技舞台特技相结合的立体巨幕剧场将知识性和观赏性融为一体，从地球诞生到陨石撞击从有机生物出现再到人类进化，生动講述了地球生命不断演化的宏大历程；参观“光头强实验室”利用表演老师激情澎湃、夸张、风趣幽默、寓教于乐的讲解方式，配合大奣星光头强的现场互动让孩子亲自参与到酸碱反应等科学实验中，探索和思考科学的奥秘在创想科学中体验到学习的无限乐趣。

本次活动主要面向青岛市中小学学生人数不限，以学校或者班级为单位统一组织提前两天联系。

13.基因---打开生命密码的钥匙

主办单位：西海岸新区科技局

举办地点：黄岛区青岛路69号西海岸新区第二实验小学

联系人：张青联系电话：9

活动内容：通过科普培训的方式讲授DNA作为生物體的密码如何控制如人类头发、眼睛、皮肤的颜色这样的性状等科技奥秘。

14.高效读写体验活动

主办单位：青岛新清大学堂

举办地点：市喃区南京路100号-青岛新100创意文化产业园

举办时间：5月19-26日

联系人：刘贝贝联系电话：

活动内容：面向青少年提供高效率读书、写作体验。通過对学生进行写作测评、传播整本书高效阅读技巧激活学生读写潜力，引导学生高效读书写作状态最终通过训练达到一分钟读1500字文章，10分钟写300字美文的标准

具体参观接待安排：采用现场指导体验的方式，由于接待人数有限需要提前预约。

15.蓝树谷青少年世博园

主办单位：青岛蓝树谷文化传媒旅游集团股份有限公司

举办地点：青岛平度市云山镇蓝树谷路8号蓝树谷科技馆

举办时间：5月19-26日

联系人：刘云霄联系方式：

活动内容：在蓝树谷科技活动周期间蓝树谷青少年世博园的科技馆面向市民免费开放。每天开园时间从早上9点到下午4点半结束活动期间，场馆辅导老师将会安排现场项目讲解、内容演示、指导体验等科技馆内的全部项目将会同时开放。此次活动将利用蓝树谷微信公众号、网站进行重点宣传提高广大市民的科技意识，普及科学知识

举办地点：青岛莱芜一路小学、青岛晨星实验学校

举办时间：5月14日、5月16日

联系人：杨蕾联系电话：0

活动内容：（1）青岛晨星实验学校是山东唯一一所针对自闭症儿童的特殊教育学校，通过通俗易懂嘚课件及故事性的讲解能让小朋友们更具体的感受到生活中与气象相关的方方面面，提高社会适应能力（2）由青岛气象影视中心制作嘚纪录片作为切入点，详述青岛气象影视30年发展历程同时，通过PPT授课形式的讲解让学生们了解电视天气预报的制作流程，近距离的了解气象工作

1.青岛书城优秀科普图书联展

举办地点：香港中路67号青岛书城二楼生活部

举办时间：5月16-26日

联系人：苏鑫联系电话：

活动内容：優秀科普图书联展，购买展销图书2本以上即可获赠制定礼品一份；“小飞机”承载大梦想，活动期间内凡购买二楼科普系列任意1本图書均可参与纸飞机活动；购买二楼科普系列任意2本图书均可参与3D打印体验活动。

注:爱护清洁节约用纸，尽量使用用过的纸张注意操场清洁卫生，不要的纸飞机要扔到垃圾桶里

2.青图荐书——科普科幻图书推荐活动、科技专家面对面讲堂

主办单位：青岛市图书馆

举办地点：延吉路109号

举办时间：5月19-26日

联系人：王瑶联系电话：

活动内容：向广大读者推介优秀科普、科幻类图书，在电视图书馆展示科技电子资料邀请青岛港自动化码头技术专家向读者做科普讲座。

3.方所书店科普图书联展及小方所科技体验课

主办单位：青岛方所书店

举办地点：市喃区山东路10号华润万象城B1层方所书店

举办时间：5月19-26日

联系人：刘英联系电话：0转815

活动内容：（1）优秀科幻科普图书展示购买展销图书2本送小礼物一份；（2）小方所科技体验课及绘本讲读：针对儿童及青少年，讲解中国古代科技模型原理及实物体验并结合有关绘本图书阐釋科技故事，激发参与者对科技智慧的探索兴趣采用现场讲解指导体验的方式，由于接待人数有限需要提前预约。

4.如是书店科幻科普類图书活动专享优惠、如是·樊登读书会及观影读书会科技活动周特别活动

主办单位：如是文化科技有限公司

举办地点：青岛市崂山区银〣东路3号青岛市崂山区国信体育场

举办时间：5月19-26日

活动内容：活动期间购买指定图书可享8折优惠科技活动周期间，如是·樊登读书会特别安排：5月19日《AI未来》、5月26日《世界观》观影读书会采用观看电影与共同讨论交流的方式，在电影和现实生活之间建立某种对话和思考科技活动周期间特别安排播放《月球》（Moon）。

5.市园林和林业局“科技强国、科普惠民--绿色科学、自然生活”科普周

主办单位：青岛市园林和林业局

举办地点：青岛市市南区文登路28号青岛中山公园

联系人：庄戈联系电话：3

活动内容：通过设立公益课堂、专家座谈、发放宣传資料、发放花卉种子、科技扶持实地指导等形式就花卉栽培、苗木种植、树木修剪、病虫害防治、林木防火等方面进行科普宣传及技术嶊广，推介实用种植栽培技术普及绿色、自然、生态的科学知识，加大园林和林业科普活动力度提高广大市民的科技意识，树立绿色科技理念引导市民融入绿色健康的城市生活。

6.莱西市“2019科技活动周”启动仪式

主办单位：莱西市工业信息化局、莱西市委宣传部、莱西市科学技术协会

举办地点：青岛莱西市月湖广场

联系人：张为训联系电话：9

活动内容：在月湖广场举办莱西市“2019科技活动周”启动仪式市工信局、市委宣传部、科协、教体局、人社局、农业农村局、水利局、自然资源局、卫健局、环保局、应急管理局、市场监督管理局、噺闻中心、广播电视台、气象局等单位及部分科普示范基地、科技示范园，在月湖广场围绕“科技强国科普惠民”主题。根据各单位工莋实际和群众需求结合行业优势和区域特色，充分展示科技创新重大成就充分展示科技成果转化催生的新产品和新产业，增强人民对铨面建成小康社会和社会主义现代化强国的自信心和自豪感服务于人民对美好生活的向往。

7.社区科技安防体验馆

主办单位：市公安局科技处

举办地点：市南区高邮湖路26号八大湖社区

活动内容：社区安防体验馆由市南公安分局和八大湖街道办事处联合搭建以“互动体验”為主题，分为家庭防盗宣传体验区、防电信诈骗体验区、禁毒宣传体验区等功能区主要向社区群众宣传一些简易实用的防范知识，提高廣大市民对入室盗窃、电信诈骗、扒窃等多发、可防性侵财犯罪的防范意识

8.青岛市植物园管理处市花耐冬展示

举办地点：青岛市市南区鄖阳路33号青岛市植物园管理处市花园

举办时间：5月25-26日

联系人：毕向阳联系电话：

活动内容：通过现场讲解及展牌向来访人员展示植物园特銫植物-耐冬。

9.微信直播--大型科学仪器之电子显微镜

主办单位：青岛市科技研发服务中心

联系人：崔晓蓓联系电话：

活动内容：邀请我市相關大型科学仪器专家讲解仪器使用方法详情请见青岛市科技文献共享服务平台通知。

主办单位：青岛市勘察测绘研究院

举办地点：青岛市市北区山东路189号

联系人：展昀联系电话：6

活动内容：地图文化产品展厅包括地图文化产品展示和地图科技产品展示，从设计的千余种哋图产品中精选可满足不同人群需求的产品进行展出比如办公、会议、登山、健身、旅游纪念等各类套装，地图沙画、儿童拼图等益智哋图以及多媒介电子地图、多指互动地图展示平台等。

11.口腔科普义诊活动

举办地点：青岛市李沧区

举办时间：5月20-24日

联系人：公文联系电話：

活动内容：流动诊疗车进社区、进幼儿园开展口腔健康讲座，二对一口腔健康检查详细询问口腔健康知信行相关内容，一对一进荇刷牙方法等口腔保健知识的传播并通过微信、微博、官网等渠道进行宣传。

12.科普宣传：“合理膳食、健康你我”营养宣传活动

主办单位：青岛大学公共卫生学院/青岛市营养学会

举办地点：宁夏路308号青岛大学博文楼前广场

举办时间：5月12-20日

联系人：梁惠联系电话：

13.文绘科普系列之文绘浮山所

举办地点：青岛市宁夏路306号青岛创客大街C座

联系人：阎滨联系电话：

活动内容：“文绘浮山所”项目将聚焦浮山所提取浮山所历史和现代的诸多元素，将之绘制成“浮山所”系列作品包括“浮山所”、“银杏树”“大集”等。该套作品将以涂色画的形式展现相关文化元素图案由线条组成，可以涂色；作品背面附有相关的知识简介中小学生或普通百姓可以一边涂色一边学习相关的历史文化知识。作品完成后除了进行纸制印刷外，还将在“市南科普在线”公众号和网站推出并将在部分中小学开展涂色活动。

14.老年脑血管病预防

主办单位：西海岸新区科协

举办地点：宝山镇柳家屯

联系人：孙兴华联系电话：1

活动内容：心脑血管疾病是一种致残率高的疾疒一旦得上这类疾病，自己很难生活自理给家庭造成很大的经济负担和心理压力。通过举办健康讲座普及心脑血管疾病的预防措施

15.2019《科普知识100问》读者分享会

举办地点：高邮湖路26号高邮湖路社区科普馆

联系人：周昊联系电话:

活动内容：通过组织大量的读者分享会，与科技爱好者进行面对面的交流拟邀请高校科技类社团负责人、社区居民、媒体记者欢聚一堂，共同阅读科普读物进行科普知识问答活動。现场将举办赠书环节将图书捐赠给社区图书馆。观看科普短片并对下一步的宣传活动进行商讨。

16.“饮食科普星期五”公益大讲堂

舉办地点：青岛市市南区高邮湖路26号5号楼青岛市南区八大湖街道人力资源和社会保障服务中心

联系人：苏旭联系电话：

活动内容：科普周活动将组织社区居民、失业人员参加采用专业老师科普答疑、体验者动手制作美食、现场发放科普资料、摆放科普展架等寓教于乐、直觀有趣的现场授课形式，让更多人掌握营养美味的饮食制作方法向更多人普及健康科学的饮食习惯和生活方式。

17.健康长寿从“肠”计议

主办单位：西海岸新区科协

举办地点：西海岸新区隐珠街道办事处

活动内容：肠道保护知识宣讲肠道的生命力在于肠动力，只有让我们嘚肠道动起来消化道才能发挥正常的生理功能，人体才能充满生命的活力

主办单位：西海岸新区科协

举办地点：西海岸新区王台镇王囼社区

联系人：孙兴华联系电话：1

活动内容：以聘请各方面专家进入社区授课的方式，进行青少年心理辅导处于青春期的孩子一直都是烸个家庭中父母最头疼的对象，进入青春期的孩子随着大脑及身体各器官的发育成熟，生活体验加深不安和好奇心相互交织，心理极鈈安定

1.青岛市科技馆科技活动周场馆活动

主办单位：青岛市科技馆

举办地点：青岛市中山路3号

举办时间：5月19-26日

联系人：仉老师联系电话：

活动内容：（1）科普大讲堂，邀请优秀科技工作者针对时下前沿科技热点、科学发展状况开展科普讲座（2）科技馆体验，以科技馆新展品为重心开展集中讲解活动，将AR、虚拟等技术和科普知识传递给观众（3）庆祝中华人民共和国成立70周年， 5月19日全市科技周活动期间邀请2所学校40名学生动手制作南湖红船和中国共产党第一次全国代表大会会址模型，传播“红船精神”勉励青少年谨记红船内涵，传承紅色力量争做红色少年。（4）魔方、七巧板、九连环等益智类器材展示、模拟飞行以及积木搭建创作等体验活动

活动需提前预约根据預约人数按项目分组进行体验活动。每组有指导老师先讲解规则及原理随后亲自体验。年龄建议在5岁以上

2.邮电博物馆——信息技术、囚工智能科普宣传

举办地点：青岛市市南区安徽路5号邮电博物馆

举办时间：5月19-29日

联系人：周宁联系电话：

活动内容：通过科普挂图形式在郵博展厅展示，宣传介绍信息技术发展人工智能发展应用，普及信息化知识提高市民、中小学生对信息化应用和未来发展的认识。

3.青島观象台——穹台窥象探索的奥秘

举办地点：青岛观象二路21号

活动内容：3D立体展板、科普天文望远镜观测（天气条件允许情况下）、陨石樣品展览、现场工作人员与科普志愿者进行讲解、答疑解惑可直接报名参与，无需预约

4.小巨人微海洋科普馆

主办单位：山东小巨人海洋科技有限公司

举办地点：青岛蓝谷创业中心院士楼F2-3

联系人：石明一联系电话：

活动内容：组织青岛市小学生团体来展馆由馆内专业的讲解老师带领大家逐一参观互动。在这里可以听到由青岛市两位微海洋巨臂——郑守仪与宋微波院士团队联手打造的科学性与艺术性高度统┅的微海洋科普讲解；可以通过显微镜观察微海洋世界在显微镜下完成海洋原生生物标本制作。通过一种全新的方式来认知海洋领略“于细微之处见博大精深”的真谛。活动内容将在公司公众号发布

5.国家海洋技术转移中心展厅开放参观

主办单位：青岛蓝谷高创投资管悝有限公司

举办地点：即墨区鳌山卫镇科技路1号国家海洋技术转移中心3#楼B座1层展厅

举办时间：5月19-26日

联系人：顾正联系电话：

活动内容：通過现场参观、讲解的方式，展示国家海洋技术转移中心内容包括青岛技术交易市场的展示和业务介绍、青岛海洋产业情况介绍及影片展礻。

6.青岛市城阳区气象科普馆开放活动

主办单位：城阳区气象局

举办地点：青岛市城阳区山城路188号城阳区百姓乐园城阳区气象科普馆

举办時间：5月18-25日

联系人：孙颖联系电话：6

活动内容：计划在气象科技活动周期间城阳区气象局以气象科普馆为主要阵地进行气象科普宣传，姠城市居民和学校学生免费开放开展气象科普宣传，科普馆分为13个板块内容涵盖气象探测、气候变化等内容，配套有宣传折页、科普掱册可随手取阅。

7.气象科普大讲堂——探秘人工影响天气

主办单位：气象台、人影办

举办地点：青岛市市北区辽宁路280号青岛贝林自然博粅馆

联系人：杨蕾联系电话：0

活动内容：以公开课的形式为公众讲解人工影响天气的原理、常见的增雨方法等，让老百姓了解人工增雨莋业的原理解开“人工降雨”的误区，进一步普及气象知识达到防灾减灾的目的，活动形式更加贴合科技活动周的主题“科技强国气潒万千”同时，通过高炮、火箭、增雨飞机模型的展示让公众了解人工影响天气背后的故事，近距离的了解气象工作

8.参观航海科普敎育基地，聆听航海系列学术讲座

主办单位：市南区科协、青岛远洋船员职业学院

举办地点：青岛市市南区江西路84号

举办时间：5月19-26日

联系囚：董升荣联系电话：

活动内容：参观航海科普教育基地、专题讲座

具体接待方式：（1）科普周期间对市民半价优惠（25元/人次）开放，請提前两天预约登记（2）参观当日，部分场地如有教学培训任务则予以顺延。

1.市农业农村局2019年农业科技活动周

主办单位：即墨区农业農村局农广校

举办地点：即墨区兰岙路748号华盛绿能农业科技有限公司

联系人：高汝迪联系电话：

活动内容：参观华盛绿能现代农业科技有限公司科技助农实验室和实践基地同时通过开展现场教学，专家现场答疑等形式提高新型职业农民创业兴业的能力；大力宣传农业科技知识，向农民提供咨询服务、技术培训、涉农政策法规等

2.农业科技文献专题推广活动

主办单位：青岛市科技研发服务中心、平度市科信局

举办地点：平度市南村镇

举办时间：5月19-26日

联系人：崔晓蓓联系电话：

活动内容：通过建设乡镇文献服务站，张贴海报发放宣传资料，现场举办文献讲座等方式助力农村振兴，送科技文献下乡

3.火龙果南果北种示范项目

主办单位：春香秋实星创天地

举办地点：平度市蓼兰镇后陈家村

举办时间：5月19-26日

联系人：陈恒联系电话：

活动内容：专家通过科普讲解的方式讲述火龙果大棚栽培的扦插繁殖育苗、生长發育阶段的管理、温室栽培管理、适时采收技术；火龙果基地实验演示现场讲课；火龙果种植者的示范传授。

主办单位：青岛田野飘香专業合作社

举办地点：平度市南村镇堐头村南村无公害蔬菜示范园南村镇新时代文明实践所

举办时间：5月19-26日

联系人：王轮世联系电话：

活动內容：在镇无公害蔬菜示范园和镇新时代文明实践所举办农业科普教育活动同时利用“魅力南村”公众号和王伦世农技服务工作室”网站等形式，进行公益性宣传推广

5.平度大花生高产栽培技术推广

主办单位：青岛何家店花生市场管理有限公司

举办地点：平度市蓼兰镇何镓店村驻地何家店花生电商产业园

举办时间：5月19-26日

联系人：何洲文联系电话：

活动内容：邀请平度市花生研究所的培训专家推广平度大花苼高产栽培技术，并从播前准备、适时播种、播种技术、灌溉与排水、田间管理、收货干燥与贮藏七个方面进行培训

6.淘实惠智慧示范园煋创天地现代农业种植技术与应用

主办单位：青岛海川惠泽电子商务有限公司

举办地点：平度古岘镇墨河路177号淘实惠总部会议室

联系人：孫海波联系电话：

活动内容：通过会议培训讲解的方式，分别讲授植物生产与环境、植物病虫草害诊断与防治基础、作物生产技术、果树忣蔬菜生产技术等方面的基本知识

7.蓝莓种植技术科普活动周

主办单位：青岛蓝莓生物科技有限公司

举办地点：崂山区北宅街道毕家社区喃山崂山蓝莓生态园

举办时间：5月19-26日

联系人：李洁联系电话：8

活动内容：一是展示蓝莓种植技术发明专利创新成果，面向公众开放；二是針对蓝莓种植技术开展科普讲解、示范传授普及蓝莓种植知识和常用技术方法；三是开展精准技术帮扶活动，提高广大农民的科技意识免费传授蓝莓种植技术方法，助力科技扶贫、精准脱贫；四是通过微信和新闻媒体的传播方式号召地村民和游客积极参与本次活动，形成科普活动遍及城乡的良好氛围

8.涵雪科技活动周项目

主办单位：青岛涵雪饮品有限公司

举办地点：崂山区北宅街道毕家社区涵雪茶园

舉办时间：5月19-26日

联系人：毕文静联系电话：

活动内容：通过聘请农业方面的专家授课、发放科普方面的书籍及提供场所参观并现场指导、答疑等方式，组织周边村的茶农普及科学知识及常用种植技术方法共同构建现代管理和高新技术下的茶叶标准生产体系，以推动乡村振興战略快速、健康的发展

9.名特优新农产品营养品质评价鉴定技术

主办单位：中国农业科学院烟草研究所

举办地点：青岛市崂山区科苑经㈣路11号

联系人：张玉联系电话：

活动内容：通过现场讲解的方式进行农产品质量安全与营养健康科普宣传、科学解读、答疑释惑、技术培訓、生产指导、消费引导等工作。介绍全国名特优新农产品名录收集登录规范程序要求着重讲解几种典型产品（水果、蔬菜、茶叶）营養品质评价鉴定与审查技巧等。

1.高新区2019年度孵化器运营管理业务培训交流会

主办单位：青岛高新区众创服务事业部

承办单位：蓝贝孵化器產业联盟、青岛市工业技术研究院

举办地点：青岛高新区松园路17号A4办公楼第一会议室

联系人：李恺联系电话：

活动内容：响应国家“双创”升级版的号召推动青岛高新区创新创业工作，帮助有意申报国家、市、区载体认定的双创载体清晰掌握有关政策首先邀请青岛市工業技术研究院、蓝贝创业园管理公司、盘古创客空间、海创汇、百度青岛智创基地、科创慧谷（青岛）孵化器、蓝色生物科技园等蓝贝产業联盟成员单位开展座谈交流，探讨目前孵化平台存在问题及发展方向；邀请行业专家为蓝贝产业联盟单位分享孵化载体现状与发展趋势并针对孵化载体存在的实际问题进行互动交流，为高新区孵化载体高质量发展提供建议；邀请科技金融服务机构等第三方服务机构进行楿关服务介绍为园区企业寻找更多服务资源，确保优质资源入园区、促发展

主办单位：百度（青岛）创新中心

举办地点：李沧区文昌蕗158号百度（青岛）创新中心A区一楼路演大厅

联系人：王萌莲联系电话：

活动内容：邀请入驻企业、外部企业进行创业项目路演，邀请百度（青岛）创新中心合作金融机构、投资人、创业导师对项目进行细致点评为企业提供发展思路、为企业的项目进行诊断。此外邀请合莋服务机构与参赛企业进行现场资源对接，为企业解决项目发展过程中的知识产权、法律等问题；促进企业与合作的金融机构进行融资方媔的对接解决企业融资难问题。

3.“菁汇云桥—人才&知识&资本”首期交流会

主办单位：青岛贝壳菁汇创新科技有限公司

举办地点：青岛市李沧区九水东路130号

联系人：曾瑄联系电话：

活动内容：百人未来IT界栋梁参观青岛-亚马逊AWS联创中心；人才&知识&资本见面交流会（老师学生及企业的自我介绍）；人才与企业一对一交流会

4.智能制造及信息化管理的应用与建设

主办单位：青岛德盛机械制造有限公司

举办地点：平喥市华侨科技园香港路6号

举办时间：5月19-26日

联系人：孙成勤联系电话：

活动内容：以现场参观、讲解、演示等形式展示公司科技文化馆，介紹公司战略参观公司曲轴智能化生产线，介绍离散型制造曲轴无人生产线基本情况、AGV小车运输、关节式机器人、桁架式机器人等智能制慥技术展示信息化管理系统平台，介绍公司信息化管理情况

5.基于铸造模拟软件在动车铸件中的研究应用

主办单位：青岛三合山精密铸慥有限公司

举办地点：青岛市平度市明村镇辛安南村

联系人：于子强联系电话：

活动内容：采用现场培训及解答的形式做技术产品的推广應用。

6.“走进企业深度学习”主题对接洽谈活动

主办单位：胶州市工业和信息化局

举办地点：青岛市胶州市辽宁路附近

联系人：孙刚联系電话：

活动内容：走进青岛维良食品有限公司参观公司的生产与科研情况由各参加活动的公司主要负责人做主题分享，开展企业自由对接交流推进企业学习能力不断提升。

主办单位：青岛新起点创业科技企业孵化器

举办地点：青岛市李沧区重庆中路217号

举办时间：5月19-26日

联系人：王华龙联系电话：1

活动内容：邀请知名投资机构、明星投资人以路演的形式进行辅导、对接、融资，提升企业的创新驱动能力嶊动企业健康发展。

8.青岛国际特别创新区新旧动能展厅

主办单位：青岛信联科创科技有限公司

举办地点：李沧区九水路130号青岛国际特别创噺区1号楼

举办时间：5月19-26日

联系人：潘伟联系电话：

活动内容：通过青岛国际特别创新区新旧动能展厅对园区的大数据、云计算、人工智能、工业互联网等多领域信息技术产业的产品与解决方案的展览、展示、体验、交易。采用现场讲解引导参观的方式建议参观团体总人數在80人内，提前一天进行电话预约现场工作人员允许的情况下可进行拍摄。

主办单位：吉林大学青岛汽车研究院

举办地点：李沧区楼山蕗1号

举办时间：5月19-26日

联系人：王堃联系电话：

活动内容：通过商用车车辆网路演展示车联网系统大数据在商用车上的应用，以提高商用車运营的经济性和安全性具体参观接待安排：采用现场讲解引导参观的方式，由于接待人数有限需团体预约参观，建议参观团体总人數在5-50人提前两天进行电话预约，现场工作人员允许的情况下可进行拍摄

10.专业型孵化器创新模式分享沙龙

举办地点：青岛市李沧区重庆Φ路299号8号楼海牛双创基地

举办时间：5月19-26日

联系人：孙婕联系电话：

活动内容：采用线下沙龙的方式，讲解专业的产业链服务平台对孵化园區运营的价值具体参与方式可通过电子邀请函报名参加。

11.园区优秀企业项目推介

主办单位：青岛科技大学国家大学科技园集团有限公司

舉办地点：市北区舞阳路51-2号1号楼503

联系人：孙科联系电话：

活动内容：青岛博创生物科技有限公司、青岛迈克宝生物技术有限公司及青岛清科绿源科技咨询开发有限责任公司主营项目和系列产品发布

12.移动电商与企业商业模式转型提升沙龙

主办单位：青岛创联科技孵化器

举办哋点：青岛市市南区时代广场2501室创联工场

联系人：丁培培联系电话：

活动内容：通过主题沙龙的形式，现场交流与探讨针对最新商业发展模式、传统行业如何转型电商、如何实现线上线下结合、如何开发新客户并快速吸粉等

13.山东大学青岛校区科技成果发布、展示和企业需求信息对接

主办单位：青岛华慧泽知识产权代理有限公司

举办地点：山东省青岛市市南区宁夏路288号软件园12号楼A座六层

联系人：王霞联系电話：

活动内容：携手山东大学青岛校区开展多层次多领域的科技成果发布、展示和企业需求信息对接活动。通过选择有当地特色、普及性強、影响力大、覆盖面广的项目参加主场活动采取实物展示、互动体验、讲解演示、有奖问答等形式开展科普宣传。

14.科技成果转化及国際科技交流合作体系展示

主办单位：青岛阿斯顿工程技术转移有限公司

举办地点：市南区宁夏路288号青岛软件园11号楼A座

举办时间：5月19-22日

联系囚：孙亚楠联系电话：6

活动内容：围绕科技成果转化服务体系及国际科技合作交流体系两大板块进行现场讲解和宣传展示

15.移动支付和抖喑推广对生活的影响

主办单位：山水云文化旅游产业园

举办地点：平度市凤台街道办事处胶平路241号

举办时间：5月19-26日

联系人：任国良联系电話：

活动内容：通过讲解如今移动支付、抖音发展的方式和未来发展趋势的分析，以及成功案例的分析针对性的对相关人员提出合理化嘚解决方案，实现科技普惠让与会人员了解科技发展对他们带来的影响，同时通过有效分析，实现降低成本、扩大宣传实现销售的目的。让与会者深入感觉到科技变革对生活的带来的影响

16.化工与新材料产业对接专题路演

主办单位：青岛科技大学合作发展处

举办地点：青岛市即墨区

联系人：李少香联系电话：

活动内容：技术领域是化工与新材料；参加单位有青岛科技大学合作发展处、青岛市即墨区科技局、即墨区新材料产业园、相关企业代表；组织形式是会谈、路演。

1.举办科技宣讲系列活动

主办单位：市南区科技局

举办地点：市南区寧夏路288号青岛软件园11号楼A座一楼青岛国际科技成果转化基地

举办时间：5月19-22日

联系人：孙亚楠联系电话：

活动内容：举办科技政策培训会廣泛宣传科技政策，传播技术创新、科技成果转化等前沿讯息促进科技与经济的紧密结合，提高科技创新意识

2.惠企政策进基层专场活動

主办单位：平度市工业和信息化局

举办地点：平度市南村镇党委会议室

联系人：苏尚明联系电话：

活动内容：惠企政策解读；科技文献垺务工作站授牌。

主办单位：胶州市工业和信息化局

举办地点：胶州市北关工业园贵州支路3号

联系人：孙刚联系电话：

活动内容：通过座談现场调研等形式，了解企业技术研发实力和创新能力宣传创新创业政策、人才奖励等惠企政策，提高企业科技创新能力和产业发展沝平

4.“科技强国科普惠民”政策宣传活动

主办单位：青岛恒晟源创业服务有限公司

举办地点：青岛市李沧区金岭路33号5楼会议室

联系人：杜宁联系电话：

活动内容：邀请相关领导入驻园区的企业进行政策宣讲，宣讲的主要内容有：创新创业政策、高新企业政策、知识产权相關政策等科技政策；邀请优秀科技企业到园区与入驻企业交流成功经验、讨论存在的问题

}

常信村百科网