機器學(xué)習(xí)算法優(yōu)化背后的計算數(shù)學(xué)理論與應(yīng)用研究【大學(xué)組】

計算機科學(xué)/數(shù)據(jù)科學(xué)/人工智能/統(tǒng)計學(xué)

項目背景

機器學(xué)習(xí)(ML)和人工智能(AI)兩大主流科技將成為我們社會未來所依賴的基礎(chǔ)設(shè)施。然而，隨著這些領(lǐng)域的巨大快速增長，越來越多的數(shù)據(jù)科學(xué)家似乎依賴于ML和AI的“黑盒”使用方法。也就是在不了解理論性質(zhì)的情況下,直接應(yīng)用計算技術(shù)和對應(yīng)框架。這一令人擔(dān)憂的現(xiàn)象對數(shù)據(jù)科學(xué)領(lǐng)域的發(fā)展毫無益處，本項目旨在填補這一空白，讓學(xué)生在實踐的同時也能深度理解其背后的理論支持，助力博士申請。

項目介紹

本項目為學(xué)生提供在監(jiān)督學(xué)習(xí)環(huán)境中所需的現(xiàn)代數(shù)學(xué)工具。我們將重點分析和設(shè)計正則化方法以及一階優(yōu)化方法，包括隨機梯度下降法，并介紹統(tǒng)計學(xué)理論中的主要思想。學(xué)生將在項目結(jié)束時，提交項目研究報告，進行成果展示。

個性化研究課題參考 

MSE與MAE對機器學(xué)習(xí)性能優(yōu)化的作用比較 

機器學(xué)習(xí)隨機優(yōu)化方法的個體收斂性研究 

高維因子模型及其在統(tǒng)計機器學(xué)習(xí)中的應(yīng)用

適合人群

大學(xué)生

希望申請人工智能，數(shù)據(jù)科學(xué)，統(tǒng)計學(xué)等相關(guān)領(lǐng)域博士的學(xué)生 學(xué)生需要具備微積分、線性代數(shù)、概率論基礎(chǔ)，至少會使用一門編程語言實現(xiàn)如KNN等經(jīng)典機器學(xué)習(xí)算法

導(dǎo)師介紹

牛津大學(xué)終身教授

Patrick導(dǎo)師現(xiàn)任牛津大學(xué)終身教授，曾任教于耶魯大學(xué)計算機科學(xué)系，擁有普林斯頓大學(xué)博士學(xué)位，榮獲牛津大學(xué)杰出教學(xué)獎。Patrick教授的研究研究興趣集中在應(yīng)用概率、統(tǒng)計學(xué)和計算機科學(xué)的交叉領(lǐng)域,聚焦于高維概率、統(tǒng)計和優(yōu)化的基本原理，為機器學(xué)習(xí)和人工智能提供高計算效率、統(tǒng)計最優(yōu)的算法。導(dǎo)師同時對圖形建模以及蒙特卡洛模擬方法頗有研究。

任職學(xué)校

牛津大學(xué)(University of Oxford）建校于1167年，是世界范圍內(nèi)歷史最為悠久的大學(xué)之一，是英國Top2高校、G5名校。牛津大學(xué)享有世界聲譽，在英國社會和高等教育系統(tǒng)中具有極其重要的地位，同時具有廣泛的世界性影響。許多青年學(xué)子都以到牛津大學(xué)深造為理想。牛津大學(xué)在2020年QS世界大學(xué)綜合排名位列第4, 計算機科學(xué)專業(yè)在全球均享有盛譽。

項目大綱

統(tǒng)計學(xué)習(xí)：監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)、建模數(shù)據(jù)、多元正態(tài)模型、正態(tài)線性模型、貝葉斯學(xué)習(xí)

回歸理論：線性回歸、線性模型分析、模型選擇與預(yù)測、非線性回歸、線性模型 

核與正則化方法:正則化、表示定理、高斯回歸、核主成分分析 

機器學(xué)習(xí)優(yōu)化方法 

分類、決策樹和集成方法:支持向量機、決策樹、隨機森林 

項目回顧與成果展示 

論文輔導(dǎo)和發(fā)表 

模擬博士申請面試 

時間安排與收獲

7周在線小組科研學(xué)習(xí)+5周論文輔導(dǎo)學(xué)習(xí) 共125課時

學(xué)術(shù)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（可用于申請）

結(jié)業(yè)證書

成績單