你是否憧憬名校生活却苦于简历单薄？
向往名校的学术殿堂却只能让文书阻拦了梦想？
现在，有这么一个机会，能让你在激烈的竞争中脱颖而出，在名校申请中获得巨大的优势。
海荔留学背景提升项目，为学生们提供跟随名校教授一起进行科研的机会，贴身打造国际化课程和海外名校教授的国际前端课题研究。
通过结合线上、线下的课程学习，得到名校教授的推荐信、论文发表、科研项目证明等含金量超高的科研能力佐证，为你简历添上浓墨重彩的一笔。
导师介绍
1、卡耐基梅隆大学数学系终身教授
2、累计发表含Computers&Fluids等知名SCI期刊在内的各类学术论文70余篇
3、研究领域包括计算材料科学、计算生物学、从微观动力学到宏观方程等
4、项目配备一位Top30名校博士担任科研助教，助教将根据导师课程内容跟进辅导，进行课题知识理解与吸收。
任职大学
卡内基梅隆大学（Carnegie Mellon University，简称CMU）坐落于美国宾夕法尼亚州的匹兹堡，是一所拥有14,800名在校学生和1,483名教职及科研人员的大学，是美国25所新常春藤盟校之一。除了在匹兹堡，CMU还在美国硅谷及卡塔尔设有校区，且在世界各地设有合作研究机构，包括纽约、洛杉矶、华盛顿特区、中国、澳大利亚、葡萄牙、卢旺达等。
该校拥有享誉全球的计算机学院与戏剧学院，其艺术学院，商学院，工程学院及公共管理学院等也在全美名列前茅。CMU由工业家兼慈善家安德鲁·卡耐基在1900年创建，当时名为卡内基技术学校，1912年改名为卡内基梅隆大学，开始向研究型大学转变。
CMU位列2022U.S. News美国最佳大学排名第25名，包括商学院全美第5及工程学院全美第6等。CMU也位列CSRankings排名世界第一，U.S. News计算机本科及硕士项目与斯坦福大学，麻省理工学院，加州大学伯克利分校并列全美第一。CMU的量化金融硕士项目（MSCF）也常年位列全美前3。
项目介绍
数据科学是一门新兴学科，因为它能够在几乎所有科学及技术领域收集大量数据。它依赖于数学、统计学和计算机科学等多个领域的工具。与从理论开始然后使用数据在参数方面进行调整的传统科学发展不同，数据科学，顾名思义，从数据开始，并且通常从大量数据开始。如今，这一新领域的应用几乎无处不在，包括社交网络、客户关系、用户偏好、医学、材料科学、天文学等等。
另外，数据科学有望提供以前无法实现的解决方案。它使我们能够针对非常复杂的场景设计方法和方法，以至于从理论开始然后拟合参数的传统方法无法奏效。因此，掌握数据科学工具对于在大多数行业工作至关重要。本项目将让学生一睹数据科学中的挑战、应用以及其使用的方法。
同时，本课程还会使用 Python 编程语言，针对不同的主题导师会提供示例代码。学生可以在这些示例代码的基础上，进行最终个人项目的完成。
适合人群
1、适用于对数据科学、统计学、数学、计算机科学专业感兴趣的学生。
2、计划申请海外名校，需要提升申请竞争力的学生。
3、对高含金量的学术推荐信有需求的学生。
4、希望提前了解意向专业，或转专业申请缺乏相关研究经历的学生。
5、希望提前适应国外教学方式，提升学习能力的学生。
成功收获
1、国外知名院校教授开具可用于网申的10封推荐信。
2、项目定制产出（通常为研究计划或研究报告）。
3、国际英文会议论文发表。
4、 数据科学领域的发展方向、前沿知识与研究方法。
5、海外教授授课，提前体验海外大学课堂模式。
6、批判性思维与团队协作等科研必备能力的全面提升。
项目亮点
双师教学模式
名校教授和博士助教保证课程体验
高含金量产出
证明学术能力，提高名校申请成功率
精致打磨课设
严格把控授课内容，保证课程质量
小班直播互动
小班直播授课，优质学习体验
四师一体服务
规划、教学、监督到服务，全程助力提升
课程安排
开课时间：2021年12月19日
课程详情
Week 1
可视化、概率及统计概述
Lesson 1
课程摘要
在本次课程中，我们将学习使用Python语言的基本可视化技术。然后，我们将回顾每个数据科学家都应该知道的概率和统计学的概念。在概率和统计学中，我们将重点讨论中心极限定理，其意义和用途。另外，我们将使用Python语言进行模拟，以加强我们对一些数学定理的理解。
课程提纲
在本次课程中，我们将学习如何将不同类型的数据可视化，通常是高维数据。从简单的图开始，到散点图，到等值线等等。我们将回顾条件概率、贝叶斯公式、总概率规则，并将其应用于实例，如covid-19测试。然后，我们转向统计学的概念，特别是点和区间估计，重点是置信区间。我们将强调中心极限定理以及它是许多统计测试的基础。
Week 2
分/类
Lesson 2
课程摘要
在本次课程中，我们将重点讨论根据测量物体的某些特征来区分它们所在群体的问题。这可以是血液测量，以区分疾病和健康。它也可能意味着对人们的兴趣进行分类，就电影或书籍而言。它也可能意味着识别手写文本，如数字。这个清单是无穷无尽的。
课程提纲
我们将使用一些经典的分类技术。其中，包括K-近邻分类、线性判别分析分类、贝叶斯分类、树状分类器和随机森林等。
Week 3
更多的监督学习技术
Lesson 3
课程摘要
在本次课程中，我们将重点讨论支持向量机（SVM），它们的含义和一些数学方面的问题。我们将讨论线性分类器和径向分类器。
课程提纲
我们将演示SVM在各种数据集上的应用。对于每一种方法，我们都会给出实现它的Python代码，学生可以将其作为进一步研究的起点。我们将展示诸如著名的Iris、MNIST以及人脸等数据集。
Week 4
数/据/简/化
Lesson 4
课程摘要
在本次课程中，我们将重点讨论数据简化。其实，大多数应用中的数据集都有很高的维度，尽管真正的信息可以用更小的维度来描述，但数据简化技术使我们能够提取基本特征。
课程提纲
在本次课程中，我们将研究数据简化技术。这包括众所周知的主成分分析（PCA）。这些技术也可以作为噪音过滤来应用，并且可以作为使用分类方法之前的第一步。我们将应用它来识别人脸和其他数据集。
Week 5
无监督学习
Lesson 5
课程摘要
在本次课程中，我们的重点是理解没有标签的数据与监督学习的情况不同。其实，我们的任务是发现集群，在一个大数据集中区分分组。
课程提纲
我们关注的方法将涉及聚类技术，使用K-means，流形学习。我们将把这些想法应用于人工数据和真实数据。
Week 6
深/度/学/习
Lesson 6
课程摘要
神经网络已经在机器学习中取得了真正的突破，包括图像识别、文本分析等多种应用。在本次课程中，我们将讨论手机和汽车如何使用这些技术来理解我们的指令。
课程提纲
在本次课程中，我们将学习深度学习的基础知识，并将其应用于我们之前研究过的问题，并比较其表现。这些技术通常计算成本更高，但它们的表现也更好。另外，我们将讨论一些使这个领域如此受欢迎的经典案例。现如今，每个高科技创业公司都使用这些技术来构建他们的产品。因此，我们将讨论感知器、多层感知器、卷积神经网等，以及其在图像方面的应用。
学术写作指导课
