名校科研---斯坦福大学计算机研究项目

斯坦福大学 统计及机器学习 科研

Stanford University Statistics and Machine Learning Research

斯坦福大学与加州大学伯克利分校共同构成了美国西部的学术中心；

截止至 2017 年，共有 64 位斯坦福校友、教授或研究人员曾获得诺贝尔奖；

20 位曾获得图灵奖（计算机界最高奖）；

7 位斯坦福教授曾获得过菲尔兹奖（数学界最高奖）；

2016-17 年，斯坦福大学在 ARWU 世界大学学术排名和 QS 世界大学排名中均位列世界第二；

在泰晤士高等教育世界大学排名中位列世界第三；

在 USnews 世界大学排名中亦位列世界第三；

斯坦福大学为硅谷（Silicon Valley）的形成和崛起奠定了坚实的基础，培养了众多高科技产品的领导者及创业精神的人才，这其中就包括惠普、谷歌、雅虎、耐克、罗技、特斯拉汽车、Firefox、艺电、太阳微系统、NVIDIA、思科、硅谷图形及 eBay 等公司的创办人；

面向对象：欲申请美国名校统计类、计算机类、数据科学类相关专业的高中生或大学生；

科研主题：经典统计学概论，统计建模，机器学习及神经网络在计算机视觉和智能系统中的应用；

科研时间

时间：寒暑假，项目时长 3-4 周；

具体情况根据学生面试情况由美方进行调整；

报名后 1 周安排面试，面试前辅导学生阅读 1 篇专业论文；

科研简介

本科研项目主要涵盖统计学的三方面内容：

1. 经典统计学基础，包括常见的多种概率分布（正态分布，二项分布，泊松分布，指数分布等），协方差，相关性，简单线性回归，多项式线性回归以及广义线性模型，并通过实际的小科研实践来理解他们的应用； 2.机器/统计学习基础，包括常见的机器学习算法介绍：分类——K-最近邻居，随机森林，逻辑回归，

Adaboost，聚类分析——K-平均算法，数据降维——主成分分析，并通过实际的例子学习他们的应用和常见的数据预处理方法等。（此部分会用到 python 或者 R 的编程，如果需要，可以安排时间讲解）；

3.神经网络，卷积神经网络，以及他们在图像处理上的应用，包括常见的计算单元和神经网络结构，神经网络优化方法，深度学习框架如 Caffe，学生将会自己编写程序搭建一个小的神经网络，并学习如何利用Caffe 训练深度卷积神经网络进行图像识别。

科研内容

研究模块 1 ----经典统计理论

统计是关于数据的函数，学习统计能够更好地帮助我们理解数据和从数据中挖掘知识，这在大数据时

代显得尤为重要。本模块主要通过对基本统计学概念的介绍，如概率分布，协方差，相关性等帮助学生了 解统计学，同时把它们运用在实际的统计建模中，本节视进度会有一到两个小项目。

研究模块 2 ----机器学习

机器学习理论来源于统计学习，由计算机实现。主要是通过算法和大量的数据来训练计算机，是得给

定新的数据，计算机能够识别隐藏在数据中的模式（pattern）。和深度学习一样，这样的问题本质上来讲

是一个抽象+优化的过程。本模块主要涉及多个机器学习算法的介绍，常用的机器学习库，如 python 的sklearn（视学生具体情况，会增加 python 和 R 的编程讲解），以及一般处理机器学习问题的流程。本节将会有一个机器学习相关的课题给学生完成，学生会在导师的引导下定义问题，定义目标函数，自己利用python 编写程序实现。

研究模块 3 ----深度学习及神经网络

深度学习是机器学习的一个分支，主要通过深度神经网络来实现，被广泛地运用于信号处理，图像识

别，自动驾驶，自然语言处理中，是目前最热的研究领域之一。本模块将会涵盖感知机（perceptron）的基本架构，简易神经网络的结构，常用的优化方法如 SGD，主流的神经网络框架如 Caffe。学生将会在导师的引导下自己用 python 编写一个神经网络，同时通过实际例子接触卷积神经网络在在图像识别和语义 分割中的应用。

科研进程

· Multiple linear regression;（多项式回归）

· Generalized linear model: （广义线性模型）

· Small project walk through: correlation based trading strategy（基于相

关性的交易策略设计）

科研收获

1. 对统计学，机器学习和神经网络有一个大体而全面的认识，通过实际操作掌握处理相关问题的流 程，了解近年兴起的“数据科学家”，“机器学习工程师”的工作。

2. 切身体会斯坦福和硅谷的学术和技术创新氛围