菁英科研項目：人工智能與數(shù)據(jù)科學專題：基于LSTM等序列模型、GAN等生成模型的深度學習算法綜合研究與應用【大三及以上組】

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，機器學習，計算機工程，數(shù)據(jù)科學，數(shù)據(jù)分析，深度學習，人工智能

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：否

是否建議大學生學習：是

語言：英文

難度：中級/高級難度

建議具備的基礎：本科階段就讀于美國Top50/英國Top10/國內(nèi)世界一流大學建設高校A類（原985高校），參考學校列表：https://shimo.im/docx/VYt6PXphKchpQ6jv/《菁英班學生院校列表-大學》；GPA3.5分以上，托福90分以上，雅思6.5以上；數(shù)據(jù)科學、計算機科學、人工智能、機器學習、深度學習等專業(yè)或希望修讀相關專業(yè)的學生；學生需要具備大學微積分、線性代數(shù)、概率論與數(shù)理統(tǒng)計基礎、熟練掌握Python編程并修讀過數(shù)據(jù)結(jié)構相關課程，并有過機器學習算法開發(fā)經(jīng)驗

科研項目產(chǎn)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(jié)業(yè)證書

成績單

項目介紹

項目中，教授將具體介紹ML和AI中的生成方法。教授將從邏輯回歸模型開始，首先介紹神經(jīng)網(wǎng)絡的概念，隨后深入研究深度學習模型的訓練和測試方法。然后我們將介紹卷積神經(jīng)網(wǎng)絡并討論包括自動編碼器和生成對抗網(wǎng)絡內(nèi)的生成方法。最后，我們將討論順序建模框架及其在自然語言處理和強化學習中的應用。學生將在項目結(jié)束時，自選開發(fā)框架，使用Python語言開發(fā)深度學習應用，提交項目報告，進行成果展示。The course will give a specific introduction to the generative methods in ML and AI.We will first introduce the concept of Neural Networks,starting from the well-known logistic regression model.Then we will dive deeply into the techniques of training and benchmarking the deep learning models.Then we will introduce the convolutional neural networks.Then we will spend some time discussing the generative methods including autoencoders and generative adversarial networks.Finally,we will discuss the sequential modeling frameworks and its application to natural language processing as well as reinforcement learning.We will cover the motivation,the theory,and the implementation of Deep Learning in the course.

項目背景

深度學習使用分層算法模型分析數(shù)據(jù)，是機器學習的重要研究領域；運用統(tǒng)計與預測建模收集、分析、解讀海量信息，是數(shù)據(jù)科學的核心組成部分；模擬人腦神經(jīng)網(wǎng)絡處理數(shù)據(jù)，設計模型，訓練模型，做出決策，是人工智能的一大分支。深度學習技術通常用于研發(fā)圖像識別工具、自然語言處理和語音識別軟件，完善自動駕駛、語言翻譯服務；在零售、醫(yī)療、汽車、農(nóng)業(yè)、安全、制造業(yè)有著廣泛應用。隨著數(shù)字化趨勢的興起，全球深度學習市場增長強勁，預計在2020-2025年復合年增長率將達到30%左右。機器學習的場景有哪些？如何使用Python語言開發(fā)深度學習應用？項目聚焦Python編程語言和Google開源深度學習框架TensorFlow在深度學習中的應用。

項目大綱介紹

神經(jīng)網(wǎng)絡與計算數(shù)學、統(tǒng)計學優(yōu)化方法Neural Networks：regularization in Neural Networks,including early stopping,weight decay,dropout,and batch normalization.

卷積神經(jīng)網(wǎng)絡與應用Widely used CNN architectures,including the AlexNet,GoogLeNet,ResNet,and MobileNet.

生成式模型與計算機視覺Generative Methods in Computer Vision

序列模型與自然語言處理Sequential Modeling and Natural Language Processing

強化學習Reinforcement Learning

學術研討1：教授與各組學生探討并評估個性化研究課題可行性，幫助學生明晰后續(xù)科研思路Final Project Preparation Session I

學術研討2：學生將在本周課前完成程序設計原型（prototype）及偽代碼（Pseudocode），教授將根據(jù)各組進度進行個性化指導，確保學生優(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Project Deliverables Tutoring

>>沒有教授推薦信，缺少科研經(jīng)驗？點擊這里提升背景<<