机器学习与数据科学

课程介绍

学生将在项目中学习数据科学、机器学习的理论和方法，了解并且掌握Python在数据科学和机器学习中的应用。在项目结束时，学生可自选框架和问题，使用Python开发机器学习应用，提交项目报告，进行成果展示。

教授介绍

V 导师现任麻省理工学院教授，曾获素有“ 诺贝尔风向标 ”美誉的美国斯隆研究奖、国际最具声望的博士后奖励 Hubble Fellow。V导师善于利用超级计算机强大的数据处理能力，生成数据集，训练机器学习和深度学习模型，完成星系识别和分类，提升处理规模庞大数据的效率。

任职院校

麻省理工学院创立于1861年，坐落于美国马萨诸塞州剑桥市(大波士顿地区)，是世界著名私立研究型大学。作为世界顶尖高校，麻省理工学院尤其以自然及工程学享誉世界，位列 2015-16 年世界大学学术排名(ARWU)工程学世界第1、计算机科学第2，与斯坦福大学、加州大学伯克利分校一同被称为工程科技界的学术领袖。截至2017年，著名马萨诸塞州理工师生、校友或研究人员包括了91位诺贝尔奖得主、52位国家科学奖章获奖者、45位罗德学者、38名麦克阿瑟奖得主、6名菲尔兹奖获奖者、25位图灵奖得主。此校同时具很强的创业文化，由其校友所创办的公司利润总值相当于全球第十一大经济体。

适合人群

● 高中生、大学生;

● 对计算机科学、计算机工程、数据科学、数据处理、机器学习、深度学习等专业和课题感兴趣，相关专业或希望在相关领域深入学习的学生;

● 具备Python基础知识，数学逻辑良好的学生优先。

课程大纲

时间	课程主题	课程内容
第一周	机器学习与数据科学概论	掌握机器学习和数据科学的基础理论和方法，探讨机器学习和数据科学在业界和学界的最新动态及应用。
第二周	机器学习基础数学理论	探索机器学习背后的逻辑和线性代数等必备数学理论，为机器学习模型和算法理解需要具备的数学逻辑打下基础
第三周	回归理论	系统学习机器学习的基础理论-线性回归，深入了解优化、拟合等经典机器学习思想。
第四周	机器学习常见算法	深入理解KNN、K-means等机器学习常见算法区别以及代码实现。
第五周	数据科学和机器学习最佳实践	掌握机器学习和数据科学最佳实践，从中获益。
第六周	神经网络、深度学习和项目回顾	了解神经网络的基本原理，梳理与神经网络的关系。