社会生活类 - 可选课题

1. 科比的投篮选择Shot Selection for Kobe Bryant 

2. 森林覆盖种类预测 Predicting Types of Forest Cover 

3. 收容所动物福利研究 Welfare Analysis of Animals in Shelter 

4. 共享单车的需求研究 Demand of Shared Bike 

5. 旧金山犯罪分类研究 San Francisco Crime Classification 

*注：每一期每一个课题至多招收两名学生 

本课程适合以下学生参与：

9-11年级0基础入门科研学生

对科研、编程和数学充满兴趣

有志于冲击 Top 50 美国名校

提升自身竞争力、丰富自己的简历

你最终符合学术标准的论文，可发表在定制的个人网站；

你最终的项目成果，可发布在业内人士交流平台上进行展示：GitHub（计算机行业交流平台）、Kaggle（数据科学行业交流平台）等；

你将与来自CMU、JHU、UCLA等行业内顶尖导师共同学习、深究项目；

你将完全掌握和运用简单AI模型解决AI课题的能力，其水准相当于美本三年级课程；

课程时长：7课时

Chapter 1 Python语言基础

• 数据结构（数字，列表，字典等）

• 逻辑语句（if-else）以及循环（for-loop，while-loop）

• 函数/库的调用以及文件导入（excel file, csv file等）

• 数据可视化（matplotlib库）

Chapter 2 微积分

• 极限以及连续的定义

• 函数微分的计算

• 函数积分的计算

• SymPy库的应用

Chapter 3 线性代数

• 向量与标量

• 矩阵以及矩阵的运算

• NumPy库的应用

Chapter 4 概率与统计

• 概率以及条件概率

• 概率密度的介绍

• 描述数据的统计量（均值、方差等）的含义和应用

• Python统计函数的介绍

课程时长：8课时

课程简介

• 人工智能以及机器学习介绍

• 机器学习模型的评估

• 决策树分类的理论以及程序实现

• Logistic Regression的理论以及程序实现

• KNN算法的理论以及程序实现

• 朴素贝叶斯模型的理论以及程序实现

课程时长：10课时

课程简介

• 人工智能和机器学习项目的课题探究流程

• 数据分析和特征选择的原理与程序实现

• Regression算法的原理和程序实现

• Support Vector Machine算法原理和程序实现

• Artificial Neural Network算法原理和程序实现

• Clustering算法的原理和程序实现

• Dimension Reduction的原理和程序实现 

课程时长：6~12课时

课程简介

• 课题入门 Introduction

• 数据可视化 Data Visualization

• 特征工程 Feature Engineering

• 基本机器学习方法 Basic Methods of Machine Learning

• 高级机器学习方法 Advanced Methods of Machine Learning

• 录制成果视频并在Github上公布代码

课程学费：22500 元/人

授课形式

在线教学，全程录像回放