人工智能與深度學習科研項目：卷積神經網絡算法及其在NLP等人工智能領域的應用研究【大學組】

2022-12-20 14:06:52 來源：中國教育在線

導師學校介紹

哈佛大學（Harvard University）始建于1636年，是一所享譽世界的私立研究型大學，也是常春藤盟校成員。哈佛大學在學術界享有崇高的地位，并且在世界范圍內具有廣泛的社會影響力。哈佛大學孕育了8位美國總統(tǒng)，158位諾貝爾獎獲得者（世界第一）和18位菲爾茲獎得主（世界第一），在2019/2020年U.S.News世界大學排名中位列第一，2018年QS世界大學計算機科學以及電子工程專業(yè)排名位列第六。

導師詳細介紹

導師昵稱

Pavlos

導師級別

項目主任

導師學校

哈佛大學Harvard University

Pavlos導師現(xiàn)任哈佛大學應用計算科學研究所（IACS）項目主任，負責把控計算機科學、工程與數(shù)據(jù)科學專業(yè)的研究生培養(yǎng)方案與課程體系，教授數(shù)據(jù)科學核心課程。曾擔任國家可擴展集群項目（NSCP）的副主任，這是在網格模型上進行大規(guī)模分布式計算的最初嘗試之一。同時，在哈佛-史密松天體物理中心擔任過研究員，并擔任由哈佛大學創(chuàng)新計算項目啟動的“時間序列中心”的子項目的高級科學家、項目負責人。

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，數(shù)據(jù)科學，數(shù)據(jù)分析，深度學習，人工智能，數(shù)據(jù)工程，數(shù)據(jù)結構與算法，編程語言

項目價格：33800/19800

項目周期：9周在線小組科研學習+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：數(shù)據(jù)科學、數(shù)據(jù)處理、統(tǒng)計學、機器學習、深度學習等專業(yè)的學生；學生需要具備線性代數(shù)及概率論與數(shù)理統(tǒng)計基礎，修讀過算法與數(shù)據(jù)結構并能熟練使用如隨機森林等經典機器學習算法

科研項目產出

9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

項目將首先回顧包含分類與回歸的傳統(tǒng)機器學習算法及初步神經網絡，而后教授將會介紹用于優(yōu)化神經網絡的數(shù)學原理及代碼技術。在確保學生具備扎實的理論及編程基礎后，項目將進入到關于卷積神經網絡原理、架構、優(yōu)化及應用的核心階段，學生將根據(jù)自身興趣選擇個性化研究課題進行深入研究，在項目結束時提交項目報告，進行成果展示。

In this course,you will be taken from basic topics of artificial neural networks to advanced topics such as convolutions.We will review important introductory concepts such as feedforward networks,gradient descent etc and then dive into convolutional neural networks.

個性化研究課題參考Suggested Research Fields：

算法優(yōu)化：圖卷積神經網絡Graph Neural Networks

計算機視覺應用：DGD卷積神經網絡行人重識別Person re-identification on DGD convolutional neural networks

自然語言處理應用：基于自聯(lián)想記憶與卷積神經網絡的跨語言情感分類Auto-associative convolutional neural network based multi-language sentiment classification

推薦系統(tǒng)應用：基于標簽卷積神經網絡的推薦算法Personalised recommender system with tagged convolutional neural network

項目背景

卷積神經網絡CNN是一種多層的監(jiān)督學習神經網絡，隱含層的卷積層和池采樣層是實現(xiàn)卷積神經網絡特征提取功能的核心模塊。該網絡模型通過采用梯度下降法最小化損失函數(shù)對網絡中的權重參數(shù)逐層反向調節(jié)，通過頻繁的迭代訓練提高網絡的精度。卷積神經網絡的低隱層是由卷積層和最大池采樣層交替組成，高層是全連接層對應傳統(tǒng)多層感知器的隱含層和邏輯回歸分類器。其本質是一個多層感知機，成功的原因在于其所采用的局部連接和權值共享的方式：一方面減少了權值的數(shù)量使得網絡易于優(yōu)化，另一方面降低了模型的復雜度，也就是減小了過擬合的風險。上述優(yōu)點使得該技術在計算機視覺、自然語言處理、推薦系統(tǒng)等人工智能領域受廣泛使用，項目也將圍繞著CNN這一前沿技術展開。

項目大綱介紹

經典機器學習算法回顧及神經網絡初步

Introduction to Neural Networks,Review of Classification and Regression,and Simple Feed-Forward(FF)Network Neural,Network Architecture,Design Choices

梯度下降算法 Gradient Descent Algorithm

基于反向傳播的自動微分算法 Automatic Differentiation using Backpropagation

神經網絡優(yōu)化技術 Neural Network Optimizers

神經網絡正則化在防過擬合中的應用 Regularization for Neural Networks

卷積神經網絡基本概念和體系結構

Convolutional Neural Networks:Basic Concepts,Padding,Pooling,and CNN Architecture.

感知野與通過池化層的反向傳播 Receptive Fields,Backprop through max-pooling

顯著圖與神經網絡最新技術展望 Saliency Maps State Of The Art network

項目回顧與成果展示 Program Review and Final Presentation