集思学院的「线上科研项目」机器学习算法优化背后的计算数学理论与应用研究，适合希望申请人工智能，数据科学，统计学等相关领域博士的学生。
一、项目详情
本项目为学生提供在监督学习环境中所需的现代数学工具。我们将重点分析和设计正则化方法以及一阶优化方法，括随机梯度下降法，并介绍统计学理论中的主要思想。学生将在项目结束时，提交项目研究报告，进行成果展示。
机器学习算法优化背后的计算数学理论与应用研究培训
二、适合人群
大学生
希望申请人工智能，数据科学，统计学等相关领域博士的学生，学生需要具备微积分、线性代数、概率论基础，至少会使用一门编程语言实现如KNN等经典机器学习算法
三、项目大纲
统计学习：监督学习和无监督学习、建模数据、多元正态模型、正态线性模型、贝叶斯学习Statistical Learning.Topics in this week cover supervised and unsupervised learning,modeling data,multivariate normal models,normal linear models,and Bayesian learning.
回归理论：线性回归、线性模型分析、模型选择与预测、非线性回归、线性模型Regression.Topics in this week are about linear regression,analysis of linear models,model selection and prediction,nonlinear regression,and linear models in Python.
核与正则化方法:正则化、表示定理、高斯回归、核主成分分析Regularization and Kernel methods.Topics in this week cover regularization,re-presenter theorem,Gaussian process regression,and Kernel principal component analysis.
机器学习优化方法Optimization for machine learning
分类、决策树和集成方法:支持向量机、决策树、随机森林Classification,decision trees and ensemble methods.Topics in this week include support vector machine,decision trees,and random forests.
项目回顾与成果展示Program review and presentation
论文辅导和发表Project deliverables tutoring
模拟博士申请面试Mock interview for PhD application
四、时间安排与收获
7周在线小组科研学习+5周论文辅导学习共125课时
学术报告
*学员获主导师Reference Letter
EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等级别索引国际会议全文投递与发表（可用于申请）
结业证书
成绩单
集思学院是一家专业的背景提升平台，集思学院科研品牌Path Academics通过创新技术方法和高学术道德标准，提供创新教育和跨学科研究项目，为全球大学生和优秀高中生创造海外高校的教学环境。我们致力于通过实际科研学习和思考方式培养学生，并赋予他们能够在下一阶段学习中脱颖而出的能力。
