数据科学与人工智能：机器学习在数据挖掘与模式识别中的应用【大学组】
开始日期: 2023-01-28
课时安排: 6周在线小组科研+5周论文指导，共108学时
适合人群
适合年级 (Grade): 大学生及以上
适合专业 (Major): 对数据挖掘、人工智能、机器学习、深度学习及对相关专业感兴趣的大学生。需要学生有编程基础、高数基础；主要编程语言是Python
导师介绍
Q老师
北京航空航天大学
副教授
秦老师
北京航空航天大学 自动化科学与电气工程学院 副教授
北京航空航天大学 科技传播研究中心主任
美国
加州大学伯克利分校(University of California, Berkeley)电子与计算机系 英国电信特聘博士后研究员
牛津 (Oxford) 大学 美国卡内基梅隆大学 (CMU) 访问学者
英国电信研究院智能系统试验室 访问研究员
曾任Keep科学家
研究方向：
人工智能、机器学习、数据挖掘、不确定性建模、跨媒体检索与自然语言理解
出版英文专著1本；编辑论文集2本；在WSDM,CVPR,ICASSP,EMNLP等国际会议与Information Sciences，Neurocomputing等期刊共发表论文100余篇。10年教育部新世纪优秀人才获得者。
Program Background
项目背景
机器学习是人工智能及模式识别领域的共同研究热点，其理论和方法已被广泛应用于解决工程应用和科学领域的复杂问题。机器学习是研究怎样使用计算机模拟或实现人类学习活动的科学，是人工智能中智能特征，最前沿的研究领域之一。自20世纪80年代以来，机器学习作为实现人工智能的途径，在人工智能界引起了广泛的兴趣，特别是近十几年来，机器学习领域的研究工作发展很快，它已成为人工智能的重要课题之一。机器学习不仅在基于知识的系统中得到应用，而且在自然语言理解、非单调推理、机器视觉、模式识别等许多领域也得到了广泛应用。
Program Description
项目介绍
本项目教学将介绍机器学习、数据挖掘与统计模式识别的知识。模式识别的知识。介绍相关领域的基础概念与发展过程；研究不同种类的机器算法，比如监督学习（参数/非参数算法、支持向量机、内核、神经网络）。介绍机器学习的优秀案例（偏差/方差理论），课程将拮取案例研究与应用，学习如何将学习算法应用到文字理解、计算机视觉等其他领域上。
Syllabus
项目大纲
人工智能的数学基础：行列式与点乘、均值与方差、贝叶斯原理、采样与假设检验、离散与连续概率分布、常见概率分布与特性、极大似然估计（ML）、协方差与关联分析
经典机器学习算法：高维数据与特征工程、监督学习与非监督学习、维度诅咒、训练与学习、K-近邻算法、K-均值算法
统计机器学习算法：贝叶斯法则、朴素贝叶斯算法、极大似然估计、混合高斯模型、EM算法、概率图模型
线性模型：线性回归、损失函数、最小二乘、梯度下降
深度学习与图像：神经网络、反向传播算法、卷积神经网络（CNN）、LeNet, GoogLENet, VGG, ResNet, DenseNet、CNN的视觉应用
项目答辩与点评
Program Outcome
项目收获
6周在线小组科研+5周论文指导，共108学时
1500字左右的项目报告
优秀学员可获得主导师推荐信（8封网推）
项目结业证书
EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等级别索引国
微信扫一扫
