數(shù)據(jù)科學(xué)與統(tǒng)計學(xué)專題：回歸模型與貝葉斯統(tǒng)計及Python數(shù)據(jù)處理方法綜合研究【大學(xué)組】

專業(yè)：計算機(jī)科學(xué),自然科學(xué)

項目類型：國外小組科研

開始時間：2024年12月14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

是否必需面試：否

適合專業(yè)：計算機(jī)科學(xué)機(jī)器學(xué)習(xí)計算機(jī)工程數(shù)據(jù)科學(xué)數(shù)據(jù)分析深度學(xué)習(xí)人工智能

地點：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)：數(shù)據(jù)科學(xué)、數(shù)據(jù)處理、統(tǒng)計學(xué)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等專業(yè)的學(xué)生 學(xué)生需要具備線性代數(shù)及概率論與數(shù)理統(tǒng)計基礎(chǔ)，至少會熟練使用一門編程語言并修讀算法與數(shù)據(jù)結(jié)構(gòu)，有過機(jī)器學(xué)習(xí)項目開發(fā)經(jīng)驗的申請者優(yōu)先；建議預(yù)修專業(yè)基礎(chǔ)課程：《Python編程與數(shù)據(jù)處理》、《機(jī)器學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)：線性代數(shù)》、《高等數(shù)學(xué)微積分與應(yīng)用》、《概率論與數(shù)理統(tǒng)計基礎(chǔ)》

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，從而使運算量顯著增加?！叭斯ぶ悄堋迸c“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。項目旨在介紹常用統(tǒng)計學(xué)、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)生探討不同的數(shù)據(jù)分析理論和實際應(yīng)用，為高階學(xué)習(xí)打下堅實基礎(chǔ)。

項目介紹：學(xué)生將在項目中學(xué)習(xí)數(shù)據(jù)科學(xué)、統(tǒng)計學(xué)及機(jī)器學(xué)習(xí)的理論和方法，了解并且掌握Python在數(shù)據(jù)科學(xué)和統(tǒng)計學(xué)中的應(yīng)用。學(xué)生將在項目結(jié)束時，自選框架和問題，使用Python開發(fā)數(shù)據(jù)分析應(yīng)用，提交項目報告，進(jìn)行成果展示。

項目大綱：數(shù)據(jù)收集、表示及預(yù)處理方法 Dealing with Data： Data Representation; Data Collection and Management; 數(shù)據(jù)降維與聚類方法 Dimensionality Reduction including PCA, LDA, and Manifold Learning.Clustering including K-Means, K-Means++, and Hierarchical Clustering 回歸模型與貝葉斯估計 Linear Regression and Bayesian Inference， Polynomial Regression 機(jī)器學(xué)習(xí)分類方法 Classification in General; K-Nearest Neighbors; Decision Trees; Probabilistic Model: Logistic Regression. Multi-class classification 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 論文輔導(dǎo) Project Deliverables Tutoring