对数据科学、数据处理、统计学、机器学习等专业感兴趣的学生。

卷积神经网络CNN是一种多层的监督学习神经网络，隐含层的卷积层和池采样层是实现卷积神经网络特征提取功能的核心模块。该网络模型通过采用梯度下降法最小化损失函数对网络中的权重参数逐层反向调节，通过频繁的迭代训练提高网络的精度。卷积神经网络的低隐层是由卷积层和最大池采样层交替组成，高层是全连接层对应传统多层感知器的隐含层和逻辑回归分类器。其本质是一个多层感知机，成功的原因在于其所采用的局部连接和权值共享的方式：一方面减少了权值的数量使得网络易于优化，另一方面降低了模型的复杂度，也就是减小了过拟合的风险。上述优点使得该技术在计算机视觉、自然语言处理、推荐系统等人工智能领域受广泛使用，项目也将围绕着CNN这一前沿技术展开。

一、项目大纲

经典机器学习算法回顾及神经网络初步 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

基于反向传播的自动微分算法 Automatic Differentiation using Backpropagation

神经网络优化技术 Neural Network Optimizers

神经网络正则化在防过拟合中的应用 Regularization for Neural Networks

卷积神经网络基本概念和体系结构 Convolutional Neural Networks: Basic Concepts, Padding, Pooling, and CNN Architecture.

感知野与通过池化层的反向传播 Receptive Fields, Backprop through max-pooling

显著图与神经网络最新技术展望 Saliency Maps State Of The Art network

项目回顾与成果展示 Program Review and Final Presentation

论文辅导与投递 Project Deliverables Tutoring

二、项目介绍

开始日期: 2024-08-03

哈佛大学人工智能与深度学习研究项目将首先回顾包含分类与回归的传统机器学习算法及初步神经网络，而后教授将会介绍用于优化神经网络的数学原理及代码技术。在确保学生具备扎实的理论及编程基础后，项目将进入到关于卷积神经网络原理、架构、优化及应用的核心阶段，学生将根据自身兴趣选择个性化研究课题进行深入研究，在项目结束时提交项目报告，进行成果展示。

个性化研究课题参考 Suggested Research Fields：

算法优化：图卷积神经网络 Graph Neural Networks

计算机视觉应用：DGD卷积神经网络行人重识别 Person re-identification on DGD convolutional neural networks

自然语言处理应用：基于自联想记忆与卷积神经网络的跨语言情感分类 Auto-associative convolutional neural network based multi-language sentiment classification

推荐系统应用：基于标签卷积神经网络的推荐算法 Personalised recommender system with tagged convolutional neural network

三、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，修读过算法与数据结构并能熟练使用如随机森林等经典机器学习算法;

建议选修: Python编程与数据处理

9周在线小组科研学习+5周不限时论文指导学习

1、优秀学员获主导师Reference Letter

2、EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等级别索引国际会议全文投递与发表指导（可用于申请）

3、项目报告

4、结业证书