动态环境建模，机器学习设计模型与建筑

转自 TechArt学究科研社

课程研究方向：AI算法开发 | 跨学科研究 计算机科学

AI Algorithm Development | Interdisciplinary Research Computer Science

“机器学习设计模型与建筑/城市/

景观等多领域泛用性方法论研究”

[5类算法开发 7种数据类型的方法论与实践应用]

2023·课题更新招募

前期小班1V2/3位学员 后期师生1V1

导师介绍

美国藤校

博士

宾夕法尼亚大学全奖博士

曾任宾大讲师，现担任全球Top100院校博士生导师

8年海外Top高校科研与教学经验，曾展开学术合作与公开演讲的院校包括：IC, UCL, ETH, Princeton, UC Berkeley, 清华等Top30名校；发表含中科院一区SCI收录在内的40余篇学术文章，担任20余本SCI, SSCI, AHCI, EI期刊审稿人与编辑、顶级学术会议主持人，主持多项国家级基金项目，并担任上市公司技术总顾问

过往学员已成功发表SCI中科院一区期刊如：Building and Environment, Cities, Sustainable Cities and Society, International Journal of Applied Earth Observation and Geoinformation等；学员已获得的名校博士录取如：GSD, UC Berkeley, UPenn, Cornell, UIUC, Gatech, UCL, TUDelft, NUS, NTU, HKU, PolyU, 清华, 同济, 东南等多所院校; 同时包括多位学员获得MIT博士面试，录取MIT, HKU, NUS研究助理岗位等

导师研究方向

专注于人工智能机器学习算法开发，数据挖掘与分析，预测与模拟；过往研究涵盖建筑方案生成与优化，建筑性能指标评估与优化；城市大数据，城市建模，城市形态优化；景观与生态指标预测与优化；生成式人工智能，数据驱动式设计，计算性设计等多领域 (参考"方向思维导图")

课题简介

在之前的科研课中，我们以人工智能的视角出发，在建筑、城市、景观领域做了许多的尝试。本次科研课，我们将总结以往的经验，围绕人工智能的泛用性方法，旨在概括出一种跨学科且通用于建筑、城市、景观、设计的人工智能方法。我们将基于通用的数据结构对建筑形态、空间环境、城市特征、景观生态、泛设计领域等数据进行统一化，并实现不同设计领域的数据互相训练，互相生成。

ANN、CNN、cGAN、cycleGAN、Semantic Segmentation、yolo、Stable Diffusion、CLIP、LoRA等人工智能模型部署与研究项目应用

本项目依托海外国家级科研项目，将从人工智能结合设计的理论介绍和文献解读开始，同时介绍人工智能和特征工程的计算机理论以扩充学员的知识体系。接着，我们将着重介绍多种设计类数据的抓取和后处理方法，并实际训练部署常用的人工智能模型，如ANN、CNN、cGAN、cycleGAN、Semantic Segmentation、YOLO、Stable Diffusion、CLIP、LoRA等等。同时，导师将分享自身在学术界与工业界的应用案例与经验，引导课题的产出具有研究和应用的双重价值。最后，每位学员将根据自己的兴趣选择主题，收集相应的数据来训练自己的人工智能设计模型，最终实现多领域方案的互相预测和自动生成。作为成果，每位学员将在导师的一对一指导下完成后续论文的书写和投稿。

本课题的“方向思维导图”可作为范围参考，也欢迎学员们提出不同方向与导师交流合作，不限于以上所列出的内容

项目所涉及的计算机技术有：计算机视觉，深度学习，数据爬取，数据分析，人机交互，算法研发等，适合设计师向计算机达人转型，如: ①计划拓展跨界性研究学习、②申请跨专业计算机相关学位、③或计划转行积累实战经验与项目成果的学员。其中，对于转专业申请计算机项目的学员，可以重点关注人工智能的模型优化和效率提升，发表高质量论文，证明自己的计算机能力，提升申请材料中的计算机背景。对于申请计算机辅助设计项目的学员，可以重点关注人工智能的创造性尝试和创意表达，同时完成高质量论文并发表，提升项目层次，冲刺顶级院校。

领域相关学术期刊

获得高质量研究型项目的同时，本课程学员的论文产出将集中投递SCI中科院一区级别的学术期刊，且学员为论文第一作者。*注：对于有意向在本课题的合作下产出多篇论文的学员，可提前与小助手说明意向并进行可行性评估。投递不限于以下所列出的参考期刊。

SCI分区的两个类别（JCR与中科院分区），及中科院一区的投稿难度比例

课程时长与形式

课程人数

全程由本期导师进行课上讲授与课下答疑、带领学员完成研究项目与学术论文。

章节1-章节8：

2-3位学员/班；师生小班化实时指导；涵盖AI领域的知识授课、技术学习，日常课后练习与文献整理，确定研究选题，并形成最终的项目方案与技术路径；

章节9-章节15 ：

1位学员/班，即师生1对1指导；涵盖实验深化、研究项目完成，论文多稿修改至定稿、投递目标学术期刊、审稿返修与发表见刊。

课程周期

章节1-章节8：

结合组内学员的时间安排，可每周固定指导时间，按1-2个章节/周的进度，预计6周 完成（指导频率可调节，后期也可继续回顾该阶段的指导内容或继续完成练习）；

章节9-章节15 ：

结合学员个人的时间安排，可根据完成进度及时约课（指导频率可调节）；产出SCI中科院一区级别的研究项目与论文定稿，学员在“章节9-15”的周期一般在10-12 周，需结合学员自身可投入的时间量、各自项目的难度等；同时该阶段可延长指导周期。

课程安排

章节1

人工智能、技术理论与背景知识教学-小组

——Introduction Lecture Series - Introduction to Artificial Intelligence and Technical Theory

1) 开题介绍

• 开题说明；
• 技术概览；
• 项目选题，目标说明与课程预期结果。

2) 主题型知识梳理：Artificial Intelligence and Design

• 设计学科和计算学科的共通性；
• 人工智能参与设计学科的通用方法论；
• 人工智能与建筑设计、城市规划、景观设计、结构设计、创意设计的结合案例；
• 核心论文解读；
• 有价值的未来研究方向分析；
• 人工智能冲击下的设计学科思考。

3) 主题型知识梳理：人工智能学术研究 商业开发逻辑

• 学术与商业的区别；
• 商业应用发展与热点项目介绍；
• 商业开发的价值体现与经验之谈。

4) 开放讨论答疑

• AI技术的知识框架答疑；
• 课程目标，论文发表规划，研究/技术价值答疑；
• 学术界与工业界的申请答疑等。

课后任务：头脑风暴，思考感兴趣的研究方向和具体研究内容，广泛阅读文献资料。

主题技术与案例讲解、基于实际项目的学术界与工业界经验总结

章节2

前沿研究与文献解读-小组

——Literature Review

1) 人工智能与设计类结合的前沿研究介绍

• 100 篇顶级会议论文快速解读与系统梳理；
• 20 篇期刊论文精细解读与方法论理解。

2) 开放讨论答疑

• 学员对选题想法的更新与讨论。

课后任务：精读课程中介绍的会议和期刊论文材料，理解其中的科学性内核，并思考自身选题的科学性。

文献精选与方法论深入掌握，引导学员的选题想法与方法创新

章节3

特征工程与人工智能基础知识-小组

——Feature Engineering and AI Theory

1) 人工智能的模型选型原则，设计类任务选型；

2) 特征工程理论，设计类数据的特征；

3) 人工智能计算理论与演变过程；

4) Diffusion（扩散模型）原理讲解；

5) 开放讨论答疑（学员选题、技术探讨......）。

课后任务：学习补充的技术资料与额外的录屏讲解文件，有兴趣与时间的学员可以进一步参考其他推荐的教程来练习编程技巧。

章节4

数据方法教学-小组

——Data Skills

1) 以各个设计领域为案例，介绍不同类型数据采集的基本方法和实践案例：

• 建筑平面图（图像数据）；
• 城市设计平面图（图像数据）；
• 城市特征（矢量转图像数据）；
• 日照模拟（矢量转图像数据）；
• 建筑三维形态（矢量数据）；
• 街景与皮电仪（语义分割矢量数据）
• 其他类的数据形式（像素化的矢量数据）......

2) 数据来源方法和数据平台/网站介绍；

3) 数据的预处理与后处理：解读，清洗，归一化；

4) 开放讨论答疑（学员选题、技术探讨、程序问题......）。

课后任务：学员思考各自选题中的数据形式，可能的数据来源和处理方法。完成章节5前需提前学习补充的技术资料与额外录屏文件。

小部分课程教学过程剪辑，与师生日常答疑记录

章节5

人工智能部署教学-小组

——AI, Machine Learning, and Neural Network

1) 人工智能程序实践，由导师提供修改试调的程序文件等，学习从技术操作到方法创新的完整逻辑：

• 矢量-矢量型ANN；
• 图像-矢量型CNN；
• 图像-图像型cGAN；
• 图像-图像型cycleGAN；
• 文字-图像型Stable Diffusion LoRA controlNET。

2) 本地与在线计算的区别，在线计算教学，Google Colab应用教学；

3) 开放讨论答疑（学员选题、技术探讨、程序问题......）。

课后任务：学员思考各自选题中可能用到的人工智能算法模式，实践部署授课中感兴趣的人工智能模型。

章节6

初步概念和实现路径-小组

——Preliminary Concept and Implementation Path

1) 初期方案汇报；

2) 确定课题初步想法（学员进度展示与推进）；

3) 项目点评与反馈修改：数据收集流程，AI训练流程，部署流程。

课后任务：学员根据点评反馈，各自推进项目进程，课前可给到进展文件。

章节7

方法合理性和改进-小组

——Methodology Improvements

1) 中期方案汇报；

2) 数据和模型训练的初步成果（学员进度展示与推进）；

3) 项目点评与反馈修改：训练和测试准确率解读，结果的可视化表现。

课后任务：学员根据点评反馈，各自推进项目进程，课前可给到进展文件。

章节8

结果解读和逻辑自洽梳理-小组

——Results and Logics

1) 终期方案汇报；

2) 测试效果和分析性结果（学员进度展示与推进）；

3) 项目点评与反馈修改：过程和结果的科学化表达，逻辑自洽梳理。

课后任务：学员根据点评反馈，各自推进项目进程，课前可给到进展文件。

Zhang, Y., Zhang, Q., Zhao, Y., Deng, Y., & Zheng, H. (2022). Urban spatial risk prediction and optimization analysis of POI based on deep learning from the perspective of an epidemic. International Journal of Applied Earth Observation and Geoinformation, 112, 102942.

（此后由1V2/3转至1V1）

章节9

延续研究的延展和论文框架-1V1

——Paper Writing and Paper Structure

1) 论文书写模块开题（含论文书写教学）；

2) 根据前序研究结果，梳理论文格式和框架；

3) 项目点评与反馈修改：整体逻辑，内容科学性和丰富度；

4) 继续项目与内容深化（含算法/数据改进与答疑等，结合学员项目的具体情况）；

5) 对于有多篇产出要求的学员，可分阶段规划各项安排。

课后任务：学员根据点评反馈，各自推进项目/稿件进程，课前可给到进展文件。

章节10

相关文献综述和研究目标的表达-1V1

——Background, Literature review, Problem Statement & Objectives Writing

1) 论文背景介绍部分书写；

2) 文献综述部分书写；

3) 问题描述和目标部分书写；

4) 项目点评与反馈修改：文献增补，背景关联性，目标描述的准确性；

5) 继续项目与内容深化（含算法/数据改进与答疑等，结合学员项目的具体情况）。

课后任务：学员根据点评反馈，各自推进项目/稿件进程，课前可给到进展文件。

章节11

研究方法提炼-1V1

——Methodology Writing

1) 方法论部分书写；

2) 项目点评与反馈修改：方法通用化程度，特殊性，使用范围等；

3) 继续项目与内容深化（含算法/数据改进与答疑等，结合学员项目的具体情况）。

课后任务：学员根据点评反馈，各自推进项目/稿件进程，课前可给到进展文件。

章节12

结果分析和论证-1V1

——Result Writing

1) 结果部分书写；

2) 项目点评与反馈修改：成果展示的完整性，对方法论的体现，是否存在特例；

3) 继续项目与内容深化（含算法/数据改进与答疑等，结合学员项目的具体情况）。

课后任务：学员根据点评反馈，各自推进项目/稿件进程，课前可给到进展文件。

Zheng, H., Moosavi, V., & Akbarzadeh, M. (2020). Machine learning assisted evaluations in structural design and construction. Automation in Construction, 119, 103346.

章节13

结论，摘要，其他注意点-1V1

——Conclusion, Reference, and Abstract Writing

1) 结论和参考书目部分书写；

2) 摘要部分书写；

3) 项目点评与反馈修改：结论的扩展性，摘要的概括性，参考书目格式正确性；

4) 继续项目与内容深化，逐步收尾至定稿。

课后任务：学员根据点评反馈，各自推进项目/稿件进程，课前可给到进展文件。

章节14

投稿前的校验和论文投稿-1V1

——Proofreading and Submission

1) 文字语法最终校验；

2) 论文图片微调；

3) 检索可投稿的期刊（最终选刊问题）。

课后任务：论文正式投递后，将继续跟进投稿状态与审稿进度。

章节15

审稿意见的答复和论文修正-1V1

——Revision and Rebuttal

1) 论文第二轮返回修改；

2) 审稿意见答复；

3) 论文正式发表见刊；

4) 讨论期刊发表后如何扩大学术影响力。

He, J., & Zheng, H. (2021). Prediction of crime rate in urban neighborhoods based on machine learning. Engineering Applications of Artificial Intelligence, 106, 104460.

章节16

补充指导(可附加)-1V1

——Additional Tutorial

1) 针对产出一篇论文的学员，后期根据项目技术难度、投稿后的审稿情况等，可延长指导周期，以完成高质量研究项目与论文发表为目的。

2) 针对产出多篇论文的学员，将对每个项目重复“章节9至章节15”的步骤，同样以完成高质量研究项目与论文发表为目的，可延长指导周期。

过往部分期刊论文发表情况，本课程将集中投递SCI中科院一区级别的学术期刊

课程要求

程序阅读：有Python或其他程序语言的阅读能力为佳，也可以在课前/课程中学习。

绘图表达：有基本的绘图表达能力。

写作能力：有英文论文写作和发表经验为佳，此为加分项。

课程收获亮点

掌握人工智能的基本概念和应用前景；

掌握创造性人工智能设计模型的研究和开发方法；

学会设计类数据的收集和二次处理方法；

学会多项神经网络的训练和部署细节；

灵活运用设计方案中的表达技巧，掌握大数据分析和可视化方法；

结合作者与审稿人视角，掌握SCI中科院一区级别论文的逻辑组织和书写技巧；

掌握人工智能技术创新与设计的商业开发逻辑，理解研究与应用的双重价值体系；

额外福利：有机会获得海外名校研究助理职位推荐、或与本课题导师进一步合作有关AI算法开发、智能软件开发等业内知名企业的真实项目、获得企业工作岗位推荐等。

项目最终成果

一个完整且高质量的AI研究项目，可整合至学员个人的项目合集及过往履历，提升整体项目的技术研究深度，并助力于申请硕士学位/博士学位/转行岗位，扩宽申请范围与未来的选择多样性；同时撰写一篇/多篇基于研究课题的学术报告，并结合学员自身的学术与职业规划，在导师指导下修改至符合学术投稿要求的论文（集中SCI中科院一区级别），投稿发表。

获得国内外知名实验室，事务所推荐；国内外升学和相关工作等方面的有力推荐，高含金量助力学员未来的学术深造与就业机会。

线上与名校博士以及优质的海外学术团进行学术合作，深入接触建筑专业的研究方法，建立学术研究思维积累并提升科研能力，获得高层次的人脉和校友关系。

积累顶尖学术前辈的圈内外专业性经验，并为学员制定学术科研等方面的个性化规划意见。

声明：本文所用图片源自于网络，相关版权归原作者所有

课程内容属TechArt学究科研社的原创教研，拥有独家知识产权

关于更多课程详情，欢迎在文章最后联系TechArt学术顾问，一起交流。