数据科学、数据处理、统计学、机器学习、深度学习等专业的大学生以上人群。

大数据的本质是海量的、多维度、多形式的数据。所以，在大数据面前，以往的数据处理方式无法快速、高效的达成既定目标，而人工智能技术借助机器学习与深度学习算法，更加灵活，并且可以根据不同的训练数据拥有自优化能力，从而使运算量显著增加。“人工智能”与“大数据”的完美结合将改变我们的日常生活，也即将成为各领域研究发展方向的变革工具。项目旨在介绍常用统计学、机器学习和数据科学理论，以及当下最受欢迎的Python编程语言，引导学生探讨不同的数据分析理论和实际应用，为高阶学习打下坚实基础。

　　一、麻省理工学院数据科学与统计学专题项目简介

　　致理计划：数据科学与统计学专题：回归模型与贝叶斯统计及Python数据处理方法综合研究【大学组】

　　参加后收获：学生将在项目结束时，自选框架和问题，使用Python开发数据分析应用，提交项目报告，进行成果展示。

　　二、麻省理工学院数据科学与统计学专题适合人群

　　适合年级 (Grade): 大学生及以上

　　适合专业 (Major): 数据科学、数据处理、统计学、机器学习、深度学习等专业的学生

　　学生需要具备线性代数及概率论与数理统计基础，至少会熟练使用一门编程语言并修读算法与数据结构，有过机器学习项目开发经验的申请者优先;建议预修专业基础课程：《Python编程与数据处理》、《机器学习的数学基础：线性代数》、《高等数学微积分与应用》、《概率论与数理统计基础》

　　建议选修: Python数据处理及其数学原理

　　三、麻省理工学院数据科学与统计学专题课程大纲

　　1、数据收集、表示及预处理方法 Dealing with Data： Data Representation; Data Collection and Management;

　　2、数据降维与聚类方法 Dimensionality Reduction including PCA, LDA, and Manifold Learning.Clustering including K-Means, K-Means++, and Hierarchical Clustering

　　3、回归模型与贝叶斯估计 Linear Regression and Bayesian Inference， Polynomial Regression

　　4、机器学习分类方法 Classification in General; K-Nearest Neighbors; Decision Trees; Probabilistic Model: Logistic Regression. Multi-class classification

　　5、学术研讨1：教授与各组学生探讨并评估个性化研究课题可行性，帮助学生明晰后续科研思路 Final Project Preparation Session I

　　6、学术研讨2：学生将在本周课前完成程序设计原型(prototype)及伪代码(Pseudocode)，教授将根据各组进度进行个性化指导，确保学生优质的终期课题产出 Final Project Preparation Session II

　　7、项目成果展示 Final Presentation

　　8、论文辅导 Project Deliverables Tutoring

　　四、麻省理工学院数据科学与统计学专题时间安排

　　开始日期：2024-12-14；课时安排：7周在线小组科研学习+5周不限时论文指导学习

12周时间安排

1、优秀学员获主导师Reference Letter

2、获得高质量的结业证书

3、增强数据科学及统计相关的背景竞争力

4、有效助力世界名校申请成功