由 dawei Gaby Ecanow喜欢听音乐，但是直到参加6.S191(深度学习简介)之前，她从未考虑过自己写音乐。在她的第二堂课上，麻省理工学院二年级学生在循环神经网络的帮助下创作了一首爱尔兰原始民歌，并正在考虑如何改编该模型，以创造自己的儿童舞蹈风格的节拍。
她说：“真酷。”“听起来根本不像是机器制造出来的。”
今年，6.S191像往常一样开始，学生在独立活动时期(IAP)涌入Stata中心Kirsch礼堂的过道。但是开幕式的演讲却带有一个转折：前总统巴拉克·奥巴马(Barack Obama)表示欢迎。该视频很快被揭示是由AI生成的，这是Alexander Amini'17和Ava Soleimany'16在整个学分课程中引入的许多曲折之一，以使方程式和代码变得生动。
当数百名同龄人望而却步时，阿米尼和索莱曼尼轮流登上领奖台。如果他们看上去很自在，那是因为他们知道材料很冷;他们自己设计了课程，并在过去三年中一直在教授课程。本课程通过针对实际应用的讲座和软件实验室涵盖了深度学习的技术基础及其社会意义。在最后一天，学生通过提出自己的研究项目构想来争夺奖品。在上课的前几周中，Amini和Soleimany花了数小时来更新实验室，刷新他们的讲座并磨练他们的演示文稿。
深度学习是机器学习的一个分支，利用海量数据和算法对大脑如何处理信息进行预测进行松散建模。该课程在帮助将机器学习工具传播到整个MIT的研究实验室中而获得赞誉。麻省理工学院电气工程和计算机科学系(EECS)的研究生Amini和麻省理工学院和哈佛大学的研究生Soleimany表示，这是设计使然。
他们俩都在自己的研究中使用机器学习-工程机器人中的Amini和开发癌症诊断工具的Soleimany-希望确保课程能够使学生做好准备。除了开发产生音乐的AI的实验室外，他们还提供利用卷积神经网络构建人脸识别模型的实验室，以及利用强化学习玩老式Atari电子游戏Pong的机器人。学生掌握了基础知识之后，那些上了学分的人便继续创建自己的应用程序。
今年，有23个团队介绍了项目。获奖者包括哈佛大学-麻省理工学院健康科学与技术计划(HST)研究生Carmen Martin，他建议使用一种称为图卷积网络的神经网络来预测冠状病毒的传播。她组合了多个数据流：用于测量人口流量的机票数据，实时确认新感染情况以及对各国为预防和应对大流行做好准备的能力排名。
她说：“目标是训练模型以预测病例，以指导各国政府和世界卫生组织提出减少新病例和挽救生命的建议。”
EECS研究生的第二名获奖者Samuel Sledzieski建议建立一个仅使用氨基酸序列预测蛋白质相互作用的模型。在其他临床应用中，预测蛋白质行为是设计药物靶标的关键，Sledzieski想知道深度学习是否可以加快对可行蛋白质对的搜索。
他说：“还有很多工作要做，但是我对三天内能走多远感到很兴奋。”“在TensorFlow和Keras中有易于遵循的示例，帮助我理解了如何亲自构建和训练这些模型。”他计划继续与EECS中的西蒙斯数学教授以及计算机科学和人工智能实验室(CSAIL)的Bonnie Berger一起在当前的实验室工作中继续工作。