人工智能與數(shù)據(jù)科學(xué)專題：神經(jīng)網(wǎng)絡(luò)與數(shù)據(jù)降維等機(jī)器學(xué)習(xí)理論研究與Python編程實(shí)踐應(yīng)用

專業(yè)：人工智能

項目類型：國外小組科研

開始時間：2024年10月12日

是否可加論文：是

項目周期：7周在線小組科研學(xué)習(xí)+5周不限時論文指導(dǎo)學(xué)習(xí)

語言：英文

有無剩余名額：名額充足

建議學(xué)生年級：大學(xué)生 高中生

是否必需面試：否

適合專業(yè)：計算機(jī)科學(xué)電子與計算機(jī)科學(xué)物聯(lián)網(wǎng)網(wǎng)絡(luò)與信息安全軟件工程信號與信息處理機(jī)器學(xué)習(xí)推薦系統(tǒng)

地點(diǎn)：無

建議選修：Python數(shù)據(jù)處理及其數(shù)學(xué)原理

建議具備的基礎(chǔ)：計算機(jī)科學(xué)、計算機(jī)工程、數(shù)據(jù)科學(xué)、數(shù)據(jù)處理、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等專業(yè)或?qū)ι鲜鰧I(yè)感興趣的學(xué)生 學(xué)生需要具備微積分及線性代數(shù)基礎(chǔ)，熟練使用Python進(jìn)行數(shù)據(jù)處理

產(chǎn)出：7周在線小組科研學(xué)習(xí)+5周不限時論文指導(dǎo)學(xué)習(xí) 共125課時 項目報告 優(yōu)秀學(xué)員獲主導(dǎo)師Reference Letter EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等級別索引國際會議全文投遞與發(fā)表指導(dǎo)（可用于申請） 結(jié)業(yè)證書 成績單

項目背景：大數(shù)據(jù)的本質(zhì)是海量的、多維度、多形式的數(shù)據(jù)。所以，在大數(shù)據(jù)面前，以往的數(shù)據(jù)處理方式無法快速、高效的達(dá)成既定目標(biāo)，而人工智能技術(shù)借助機(jī)器學(xué)習(xí)與深度學(xué)習(xí)算法，更加靈活，并且可以根據(jù)不同的訓(xùn)練數(shù)據(jù)擁有自優(yōu)化能力，從而使運(yùn)算量顯著增加。 “人工智能”與“大數(shù)據(jù)”的完美結(jié)合將改變我們的日常生活，也即將成為各領(lǐng)域研究發(fā)展方向的變革工具。項目將在來自計算機(jī)專業(yè)排名前列的麻省理工學(xué)院的終身教授的指導(dǎo)下進(jìn)行，旨在介紹常用機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)理論，以及當(dāng)下最受歡迎的Python編程語言，引導(dǎo)學(xué)生探討不同的機(jī)器學(xué)習(xí)理論和實(shí)際應(yīng)用，為高階學(xué)習(xí)打下堅實(shí)基礎(chǔ)。

項目介紹：項目旨在全面介紹機(jī)器學(xué)習(xí)和數(shù)據(jù)科學(xué)領(lǐng)域中的多種前沿算法及其應(yīng)用，課程中將逐步指導(dǎo)學(xué)生學(xué)習(xí)機(jī)器學(xué)習(xí)的兩個主要類別——分類與聚類，內(nèi)容涵蓋初始研發(fā)動機(jī)與數(shù)學(xué)理論，并最后用Python編程實(shí)現(xiàn)。學(xué)生將在項目結(jié)束時，自選如Tensorflow/Pytorch/Pycharm等主流框架中其一和實(shí)際生活生產(chǎn)中的待優(yōu)化問題，使用Python開發(fā)機(jī)器學(xué)習(xí)應(yīng)用，提交項目個性化研究課題報告，進(jìn)行成果展示。The course will give comprehensive introduction to the field of machine learning and data science. We will cover two main categories of machine learning, step by step guiding the students to learn the algorithms from the motivation to the theory, and finally to the implementation. One can take this course as a simple overview of machine learning. However, for those who are interested in the in-depth analysis of machine learning, this course’s abundant content is also a great choice.

項目大綱：機(jī)器學(xué)習(xí)中的數(shù)學(xué)理論：向量微積分、線性代數(shù)與概率論 Introduction to Machine Learning and Math Preliminary 回歸模型及其優(yōu)化方法 Regression Methods：Linear Regression, Polynomial Regression: importance of regularization；Ridge Regression & LASSO RegressionClassification Methods 分類模型 Categorization of classification problems; Binary Classification: Perceptron, Logistic Regression, and SVM；Multi-Class Classification 神經(jīng)網(wǎng)絡(luò)架構(gòu)與反向傳播算法 Components of Neural Networks; Back-Propagation Algorithm; Optimizers of NN; Advanced Architectures of NN, including CNN & RNN 非監(jiān)督式學(xué)習(xí)與大數(shù)據(jù)降維 Unsupervised Learning including clustering and dimensionality reduction 學(xué)術(shù)研討1：教授與各組學(xué)生探討并評估個性化研究課題可行性，幫助學(xué)生明晰后續(xù)科研思路 Final Project Preparation Session I 學(xué)術(shù)研討2：學(xué)生將在本周課前完成程序設(shè)計原型（prototype）及偽代碼（Pseudocode），教授將根據(jù)各組進(jìn)度進(jìn)行個性化指導(dǎo)，確保學(xué)生優(yōu)質(zhì)的終期課題產(chǎn)出 Final Project Preparation Session II 項目成果展示 Final Presentation 論文指導(dǎo) Project Deliverables Tutoring