1. 研究目的与意义
理由：对机器学习有较大兴趣，对某些算法的原理有过一定学习
意义：通过计算机学习的能力，通过优化任务衡量变量的可用数据，做出算法，对农作物病虫害做出准确的预测。
2. 研究内容和预期目标
使用朴素贝叶斯，KNN，CNN，SVM等主流机器学习算法，对已有数据进行操作，构建模型，通过算法运行结果的方差，预测的准确率对比几种算法的性能
3. 国内外研究现状
目前，以深度学习为代表的机器学习领域的研究与应用取得巨大进展有目共睹，有力地推动了人工智能的发展。但是也应该看到，它毕竟还是一个新生事物，多数结论是通过实验或经验获得，还有待于理论的深入研究与支持。CNN的推动者和创始人之一的美国纽约大学教授 Yann LeCun在2015IEEE 计算机视觉与模式识别会议上指出深度学习的几个关键限制:缺乏背后工作的理论基础和推理机制;缺乏短期记忆;不能进行无监督学习。基于多层人工神经网络的深度学习受到人类大脑皮层分层工作的启发，虽然深度学习是目前最接近人类大脑的智能学习方法，但是当前的深度网络在结构、功能、机制上都与人脑有较大的差距。并且对大脑皮层本身的结构与机理还缺乏精准认知，如果要真正模拟人脑的 100 多亿个神经元组成的神经系统，目前还难以实现。因此，对计算神经科学的研究也需要有很长一段路要走。此外，机器学习模型的网络结构、算法及参数越发庞大、复杂，通常只有在大数据量、大计算量支持下才能训练出精准的模型，对运行环境要求越来越高、占用资源也越来越多，这也抬高了其应用门槛。总之，机器学习方兴未艾并且拥有广阔的研究与应用前景，但是面临的挑战也不容忽视，二者交相辉映才能够把机器学习推向更高的境界。
4. 计划与进度安排
首先阅读文献和国内外知名学者的著作，学习各算法原理以及实现过程，然后对搜集到的数据进行处理，训练模型，接着过往阅读优秀毕业论文，学习写作逻辑和思路，与导师进行沟通。最后定稿
5. 参考文献
《Deep Learning with COTS HPC Systems》，《Parsing with Compositional Vector Grammars》、《Learning from Data: A Short Course》，《Machine Learning Techniques》《机器学习》，《Ensemble Methods: Foundations and Algorithms》，《神经网络集成》
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
