机器学习与数据科学专题：监督式与非监督式学习，基于SVM、K-means等分类与聚类方式的算法研究-几何留学

机器学习与数据科学专题：监督式与非监督式学习，基于SVM、K-means等分类与聚类方式的算法研究

项目时间 2024.05.18 开课

编辑 | 几何留学学姐

适合人群

适合年级 (Grade): 大学生及以上
适合专业 (Major): 计算机科学、数据科学、人工智能、机器学习专业或对以上专业感兴趣的学生。
学生需要具备微积分及线性代数基础，至少会熟练使用一门编程语言，修读过算法与数据结构的申请者优先
建议选修: Python编程与数据处理

项目介绍

本项目将带领学生详细了解机器学习的主要方法和当前的研究方向，涵盖机器学习中的不同算法的分析与对比。项目在讨论至今仍有效的如决策树的经典算法外，还将讨论以深度学习为例的改变了机器学习领域的新技术。学生还将接触到现实世界中的问题，在这些问题中，将使用机器学习或深度学习中的各种工具给出和分析样本数据,以及用Python及其中的深度学习框架实现所学算法的实践。

个性化研究课题参考：

欺骗性、重复性的广告检测算法研究

针对用户搜索记录的酒店推荐算法

根据网约车当前运行轨迹，预测本次行程时间的算法开发

预测土壤的物理化学成分

项目背景

大数据的价值体现主要集中在数据的转向以及数据的信息处理能力等等。在产业发展的今天，大数据时代的到来，对数据的转换，数据的处理数据的存储等带来了更好的技术支持，产业升级和新产业诞生形成了一种推动力量，让大数据能够针对可发现事物的程序进行自动规划，实现人类用户以计算机信息之间的协调。项目也将围绕着数据预测性分析与分类的核心技术—机器学习及深度学习展开。

授课教授

Shlomo

卡内基梅隆大学 (CMU)终身正教授

♔Shlomo教授任卡内基梅隆大学（CMU）终身正教授，他曾在魏茨曼科学研究所(Weizmann Institute of Science)攻读博士学位。

♕之后移居美国，并在位于美国宇航局兰利研究中心的ICASE(科学与工程计算机应用研究所)工作。

♖教授从1994年任职于卡内基梅隆大学，研究方向包括解决流体动力学方程和处理大规模优化的相关问题。

你能获得

7周在线小组科研学习+5周不限时论文指导学习共125课时

项目报告
优秀学员获主导师Reference Letter
EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等级别索引国际会议全文投递与发表指导（可用于申请）
结业证书
成绩单

项目大纲

概率论与统计学理论回顾 Review of Probability and Statistics

监督式机器学习：分类及回归模型 Supervised Machine Learning： Classification and Regression Models
非监督式机器学习：聚类及数据降维Unsupervised Machine Learning： Clustering and Dimension Reduction
深度学习与神经网络 Introduction to Deep Learning and Neural Networks
主流深度学习框架介绍 Tensorflow, Pytorch and Their Applications
学术研讨1：教授与各组学生探讨并评估个性化研究课题可行性，帮助学生明晰后续科研思路 Final Project Preparation Session I
学术研讨2：学生将在本周课前完成程序设计原型（prototype）及伪代码（Pseudocode），教授将根据各组进度进行个性化指导，确保学生优质的终期课题产出 Final Project Preparation Session II
项目成果展示 Final Presentation
论文辅导 Project Deliverables Tutoring

开课日期：2024-05-18

具体上课时间、最终时间安排，均以实际安排为准

预约咨询

最新项目