3.1 在一个游戏中，主办方在三个门中任选一个，在门后放了一个奖品，另外两个门之后是空的。选手要在三个门中选择一个抽奖。 当选手选择了一个门，未曾打开门之前，主办方打开了另外两个门中没有奖品的那个门，并向选手说， 他可以改变他的选择，即转为选择剩下一个没有打开的门。 请问，如果选手此时改变选择， 他会提高或降低获奖的可能性么？提高多少？请给出你的分析。 写完你的回答后， 你就可以提交 （submit）文件到你的github 中，大家就能能在github 上看到这个文件的提交记录。这个部分写在上述的 Markdown 文件中。
1.题目中的叙述“主办方打开了另外两个门中没有奖品的那个门”存在歧义 因为按照题目条件，如果选手选到了有奖品的门，那另外两个门都没有奖品。那么没有奖品的那个门该如何选择，题目中对此没有说明。但是就后续问题来说，主办方只要确保打开一个没有奖品的门就满足题意，所以实际上对结果并无影响，所以此处我以随机挑选其中一个门为准。
2.获奖可能性分析
- 初始情况的获奖概率是1/3
- 假设此处前后两次选择是相互独立的。则初始情况有1/3获奖，2/3不获奖，获奖的情况下，改变选择不会获奖，未获奖的情况下，改变选择会获奖，因此此时他改变选择这个决定的获奖概率是2/3，即比初始提高了1/3。但是如果把选择本身也作为一个1/2的随机事件，那么这两件事相互独立的情况下，便可以得出(1/31/2 + 2/31/2) = 1/2，主办方做这样的改动确实提高了获奖的可能性。但事实上，选择肯定不是简单1/2的选择，想清楚整个逻辑的人，一般会依据概率大小作出改变选择的决定。
3.2 如何看待 “中文房间” 问题，中文房间有智能么？它有什么样水平的智能？如何才能让它具有人类水平的智能？ 参见 中文房间问题资料
原问题的叙述：
一个对中文一窍不通，只说英语的人关在一间只有一个开口的封闭房间中。房间里有一本用英文写成的手册，指示该如何处理收到的汉语讯息及如何以汉语相应地回复。房外的人不断向房间内递进用中文写成的问题。房内的人便按照手册的说明，查找到合适的指示，将相应的中文字符组合成对问题的解答，并将答案递出房间。 约翰·希尔勒认为，尽管房里的人可以以假乱真，让房外的人以为他确确实实说汉语，他却压根不懂汉语。在上述过程中，房外人的角色相当于程序员，房中人相当于计算机，而手册则相当于计算机程序：每当房外人给出一个输入，房内的人便依照手册给出一个答复（输出）。而正如房中人不可能通过手册理解中文一样，计算机也不可能通过程序来获得理解力。既然计算机没有理解能力，所谓“计算机于是便有智能”便更无从谈起了。
1.是否有智能？他有什么样水平的智能？
我认为中文房间是有智能的，房间中的手册定义了一个足够完备的中英文之间的映射，这是智能的一部分，而房中人又有将中文字符组合成对问题解答的能力，这也是智能的一部分。我们评判一个事物是否智能不应该去纠结其是否是按照人类的方式去理解去行动，而是类似图灵测试的模式，从外部去做黑箱测试，满足这一测试即为智能。换言之，在限定输入输出域的情况下，智能的方式有很多，完成映射的方式有很多，人类的认知只是其中一个解法罢了。
但是中文房间的这种智能，是一种固定的智能，因为手册的覆盖范围是有限的，一旦有超出手册内容的问题，这种智能就失效了。即它没有自我推理产生新知识的能力，映射来映射去还是在原始空间内。
2.如何才能让他具有人类水平的智能？
中文房间的这种智能和人类智能的区别就在于这种所谓的“理解力”，换言之，是否拥有理解新知识的能力。一个可能的思考方向是，手册和房中人应该学习的是映射规则本身，而不是输入和输出的对应，这样可以一定程度上提高泛化能力。此外，面对一些全新的词语，它还需要像人类一样学习建立全新概念的能力，即通过一些示例就可以完成积累扩大理解空间。
3.3 既然这门课讲了很多计算机前沿，那么学生就可以预计一下这些前沿知识如何能给普通用户或某个行业带来好处。 学生根据讲课的内容和参考文献，用 NABCD 的模板，描述你心目中一个使用了 “人工智能+其他前沿技术” 的创新项目。 这个项目应该是由 7 - 10 名有相关技能的大学生在 4 个月能完成。 写完项目提案后，就可以提交 （submit）到你的github 账户中，你可以在github 上看到这个文件的提交记录。你可以提交多次，但是要记住一定要把最后的版本提交上来。这个部分也写在同一个文件中。
创新项目：深度学习+计算摄影学图像降噪（AI成像）
N->需求:现今的主流传统图像降噪方法，BM3D，NLM等都是基于局部信息和高斯白噪声的，对于真实场景并没有很好的泛化能力，而在现今的手机拍摄中，图像噪声和细节的平衡对画质的影响非常大，因此我们想结合深度学习技术做出一套优秀的图像降噪算法。
A->方法:基于Kernel Prediction和Laplace Pyramid的网络结构设计，基于CBDNet的噪声评估网络设计，基于SSIM-Loss的损失函数设计。 参考文献:
- https://arxiv.org/abs/1712.02327
- http://drz.disneyresearch.com/~jnovak/publications/KPAL/index.html
- https://arxiv.org/abs/1807.04686
B->好处: 基于深度学习的方法可以更好的对复杂的噪声进行建模，而且神经网络可以在内部不同层对高层语义和低层细节都进行表示，以及信息间的交流和融合，这样可以建立更“智能”的降噪模块。
C->竞争: 需要实际拍摄足够的真实数据来作为训练数据，且如何要在手机上实践的话需要很多神经网络部署技术的相关适配。
D->数据: 