人工智能與數(shù)據(jù)科學科研項目：機器學習理論與Python編程實踐

導師學校介紹

麻省理工學院（MIT）創(chuàng)立于1861年，是世界著名私立研究型大學，在計算機科學方向享有盛譽，在2020年U.S.News世界大學排名綜排位列第二、計算機工程CE專排蟬聯(lián)首位。學校孕育了90位諾貝爾獎得主、59位美國國家科學獎章獲得者，以及75位麥克阿瑟獎獲得者。

導師詳細介紹

導師昵稱

Mark

導師級別

終身教授

導師學校

麻省理工學院(MIT)

Mark導師現(xiàn)任麻省理工學院（MIT）終身教授，曾獲素有“諾貝爾風向標”美譽的美國斯隆研究獎、國際最具聲望的博士后獎勵Hubble Fellow。

Mark導師的研究興趣聚焦機器學習、數(shù)據(jù)科學、人工智能、天體物理，善于利用高性能超級計算機強大的數(shù)據(jù)處理能力進行數(shù)值模擬，訓練機器學習和深度學習模型，借助機器學習與數(shù)據(jù)科學技術分析模擬數(shù)據(jù)。

Prof.Mark is an Associate Professor at MIT whose research interests span topics such as astrophysics,machine learning,data science and artificial intelligence.He makes extensive use of numerical simulations using state-of-the-art high-performance supercomputers around the world.He also employs machine learning and data science techniques to analyze simulation data.

適合人群

方向：理工

專業(yè)：人工智能

適合專業(yè)：計算機科學，電子與計算機科學，物聯(lián)網(wǎng)，網(wǎng)絡與信息安全，軟件工程，信號與信息處理，機器學習，推薦系統(tǒng)

項目價格：33800/19800

項目周期：7周在線小組科研+5周論文指導

是否建議高中生學習：是

是否建議大學生學習：是

語言：英文

難度：低級/中級難度

建議具備的基礎：計算機科學、計算機工程、數(shù)據(jù)科學、數(shù)據(jù)處理、機器學習、深度學習等專業(yè)的學生；學生需要具備初等微積分或線性代數(shù)基礎，至少會使用一門編程語言

科研項目產出

7周在線小組科研學習+5周論文指導學習共125課時+不限時論文指導

學術報告

優(yōu)秀學員獲主導師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（可用于申請）

結業(yè)證書

成績單

項目介紹

學生將在項目中學習數(shù)據(jù)科學、機器學習的理論和方法，了解并且掌握Python在數(shù)據(jù)科學和機器學習中的應用。學生將在項目結束時，自選框架和問題，使用Python開發(fā)機器學習應用，提交項目個性化研究課題報告，進行成果展示。

個性化研究課題參考：

利用BERT算法及調整單詞中的自注意力實現(xiàn)語義識別

使用生成對抗網(wǎng)絡生成手寫數(shù)字

用于空間數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡CNN算法應用情況研究

生成對抗網(wǎng)絡各變種在圖像分類上的表現(xiàn)差異分析

項目背景

大數(shù)據(jù)的本質是海量的、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、高效的達成既定目標，而人工智能技術借助機器學習與深度學習算法，更加靈活，并且可以根據(jù)不同的訓練數(shù)據(jù)擁有自優(yōu)化能力，從而使運算量顯著增加。

“人工智能”與“大數(shù)據(jù)”的完美結合將改變我們的日常生活，也即將成為各領域研究發(fā)展方向的變革工具。項目將在來自計算機專業(yè)排名前列的麻省理工學院的終身教授的指導下進行，旨在介紹常用機器學習和數(shù)據(jù)科學理論，以及當下最受歡迎的Python編程語言，引導學生探討不同的機器學習理論和實際應用，為高階學習打下堅實基礎。

項目大綱介紹

機器學習與數(shù)據(jù)科學概論：學生將在本周了解機器學習和數(shù)據(jù)科學的基礎理論和方法，探討機器學習和數(shù)據(jù)科學在業(yè)界和學界的最新動態(tài)及應用

機器學習基礎數(shù)學理論：機器學習模型和算法理解需要具備良好的數(shù)學邏輯和基礎。學生將在本周了解機器學習背后的邏輯和線性代數(shù)等必備數(shù)學理論

回歸理論：回歸理論是機器學習的基礎理論。線性回歸體現(xiàn)了優(yōu)化、擬合等經(jīng)典機器學習思想，往往是初學者首先學習的內容。學生將在本周學習常見回歸理論

機器學習常見算法：學生將在本周了解KNN、K-means等機器學習常見算法

數(shù)據(jù)科學和機器學習最佳實踐：學生將在本周了解機器學習和數(shù)據(jù)科學最佳實踐指南，從中獲益

項目回顧和成果展示

論文輔導

>>沒有教授推薦信，缺少科研經(jīng)驗？點擊這里提升背景<<