美国麻省理工学院2021暑假“机器学习＋”在线课程

二、院校介绍

麻省理工学院(Massachusetts Institute of Technology, MIT)是世界著名私立研究型大学，素以顶尖的工程学和计算机科学而著名，拥有众多顶级实验室，1959年诞生了世界上第一个人工智能实验室，是全球人工智能方面最领先的学术殿堂之一。

三、项目时间

2021年7月26日-2021年8月27日（五周）

在完成项目报名申请后，学生可以于项目开始前6周免费参加pre-learning，主要内容包括python学习包、相关基础课程指导等，助教老师将全程跟踪辅导、答疑解惑。Pre-learning将在6月份开始，学生可以根据期末考试安排自行调整，无需另行付费，申请完成后学习资料将以邮件形式发送给学生。

四、项目课程

项目课程有三个可选方向，学生可依据专业和兴趣选择课程进行学习。学生可以根据自己的专业知识基础和兴趣选择对应难度的作业、小组实践任务和考核（根据难度分为两档）。其中第二档在作业与project中难度较大，推荐高校荣誉学院、拔尖培养计划与有相关学科基础的学生参与，会根据报名学生情况同程度安排项目分组。通过项目考核后，将获得官方颁发的学习证书和成绩报告（根据难度分为两档），成绩优秀同学将有机会获得推荐信。项目期间还将安排人工智能领域知名科创企业专题分享、麻省理工学院在读学生学习/科研经历分享等主题分享。有科研兴趣和计划的同学，还可以在项目结束后申请麻省理工学院相关实验室/研究所的研究助理等。

• 机器学习与商业分析Machine Learning in Business Analytics

机器学习在商业分析与决策过程中的作用日益凸显，机器学习赋能企业在人工智能时代更加高效地完成过程监督、决策辅助、优化流程和预测分析。该课程推荐管理类、经济类、金融类、数学类、统计类与计算机类等相关专业方向与对该项目方向感兴趣的学生参与。课程的主要内容及应用案例包括：

• 机器学习课程概述、基本概念Introduction to Machine Learning

• 基于感知器的监督学习Supervised learning via Perceptron

• 对数几率回归Logistic Regression

• 非线性特征与核方法Nonlinear features and Kernels

• 回归/概论Regression

• 神经网络，导论Neural Nets, Introduction

• 神经网络 优化Neural Networks, Optimization

• 无监督学习：聚类，混合模型，EM Unsupervised learning: clustering, mixture models, EM

• 推荐系统Recommender Systems

• 机器学习与数据科学Machine Learning in Data Science

• 人工智能时代的市场营销策略Machine Learning in Marketing

• 机器学习与个性化设置-静态设置Machine Learning and Personalization– Static Setting

• 机器学习与个性化-动态设置Machine Learning and Personalization– Dynamic Setting

• 机器学习和个性化–行为和经济见解Machine Learning and Personalization– Behavioral and Economic Insights

• 机器学习与金融科技Machine Learning in Fin-Tech

• 定量投资与统计测量1/2/ Quantitative investment in Statistical Measurement 1/2/

• 商业分析定量投资导论Introduction to Quantitative Investment with Business Analysis

• 商业分析定量投资的应用1/2 Application: Quantitative Investment with Business Analysis 1/2

• 人工智能驱动的股票价格分析AI-Driven Stock Price Analysis-the rise of the quants 1/2

• 深度学习应用于计算机视觉Deep Learning in Computer Vision

深度学习受到神经学的启示，模拟人脑的认知与表达过程，通过低层信号到高层特征的函数映射，来建立学习数据内部隐含关系的逻辑层次模型，特别是在机器视觉领域，深度学习具备强大的视觉信息处理能力。该课程推荐电子信息类、计算机类、自动化类、生物医学类等相关专业方向与对该项目方向感兴趣的学生参与。课程的主要内容及应用案例包括：

• 机器学习课程概述、基本概念Introduction to Machine Learning

• 基于感知器的监督学习Supervised learning via Perceptron

• 对数几率回归Logistic Regression

• 非线性特征与核方法Nonlinear features and Kernels

• 回归 概论Regression

• 神经网络 导论Neural Nets, Introduction

• 神经网络 优化Neural Networks, Optimization

• 无监督学习：聚类，混合模型，EM Unsupervised learning: clustering, mixture models, EM

• 推荐系统Recommender Systems

• 深度学习课程概述、基本概念Introduction to Deep Learning

• 神经网络和卷积处理Neural Networks and Convolutional Processing

• 卷积神经网络架构CNN Architectures(AlexNet,Resnet, etc.)

• 带序列的视觉（字幕、视频处理和转换）Vision with Sequences(Captioning, Video Processing, and Transformers)

• 生成图像模型Generative Image Modeling

• 机器视觉应用Applications: Depth Estimation, Segmentation, Object Detection(YOLO, FasterRCNN)

• 神经渲染和图像Neural Rendering and Graphics

• 可解释性和不确定性Interpretability and Uncertainty

• 视觉模型的公平公正问题Fairness and Bias of Vision Modelling

• 基于深度学习的三维人脸重建3D Reconstruction with Deep Networks (Models and Applications)

• 深度学习与无人驾驶Deep Learning in Autonomous System

深度学习与无人驾驶将重点关注如何将深度学习的基础理论运用到无人驾驶的基础模型和算法中，针对当代社会对无人驾驶汽车研制的迫切需求，开展了深度学习在无人驾驶汽车中应用的研究。不仅可以提高感知的精度，还可以强化学习控制。该课程推荐机械类、交通运输类、仪器类、自动化类与电子信息类等相关专业方向与对该项目方向感兴趣的学生参与。课程的主要内容及应用案例包括：

• 机器学习概论: Introduction to ML

• 基于感知器的监督学习: Supervised learning via Perceptron

• 对数几率回归: Logistic Regression

• 非线性特征与核方法: Nonlinear features and Kernels

• 回归/概论: Regression

• 神经网络，导论: Neural Nets, Introduction

• 神经网络，优化: Neural Networks, Optimization

• 卷积神经网络: Convnets

• 无监督学习：聚类，混合模型，EM: Unsupervised learning: clustering, mixture models EM

• 推荐系统: Recommender Systems

• CNN架构（AlexNet、Resnet等）: CNN architectures

• 序列图形处理: Sequential image processing

• 生成图像模型: Generative image modeling

• 神经图形与绘制: Neural graphics and rendering

• 映射和本地化: Mapping and Localization

• 自动驾驶车辆的虚拟：Virtual SLAM for Self-Driving Vehicles

• 机器人驱动的端到端学习：End to End Learning of Robotic Actuation

• 深度强化学习中对于控制的概论：Deep Reinforcement Learning for Control

• 深度强化学习中对于车辆运行规划：Deep Reinforcement Learning for Vehicle Motion Planning

• 以人类为中心的未来自动化发展：Future of Human-Centered Autonomy

五、项目日程安排

最终日程安排以项目syllabus为准

六、教学团队

教学团队包括来自麻省理工学院EECS/Media Lab/斯隆管理学院的教授、研究员、博士后等，他们都拥有丰富的教学经验和科研项目经历。此外，还将有来自麻省理工学院的博士/博士后作为助教全程指导学生的学习和答疑等。

• Prof. Hui CHEN

Professor of Finance at the MIT Sloan School of Management,

Research Associate at the National Bureau of Economic Research.

Teaching 15.450 Analytics of Finance, 15.457 Advanced Analytics of Finance

• Prof. Suvrit Sra

Esther and Harold E. Edgerton Career Development Associate Professor of MIT EECS,

Core member of IDSS and LIDS, MIT,

Teaching 6.881 Optimization for Machine Learning, 6.867 Machine Learning

• Prof. Shimon Kogan

Visiting Associate Professor of Finance at MIT Sloan School of Management

Teaching FinTech: Business, Finance, and Technology

• Dr. Alexander Amini

PhD at MIT, in the Computer Science and Artificial Intelligence Laboratory (CSAIL),

Researcher, Distributed Robotics Laboratory, CSAIL, MIT

Teaching 6.S191 Introduction to Deep Learning

• Dr. Roy Shilkrot

Research Scientist at Media Lab, MIT.

Teaching MAS.S60: Experiments in Deepfakes

七、项目费用

费用标准：1530美元/人（约合9900元/人）（完成在线课程后，可获得MIT寒暑期线下短期交流项目全额抵扣劵，仅限本人使用）

八、申请方式

申请截止时间：2021年5月20日

1.校内报名：

登陆网上综合服务大厅ehall.seu.edu.cn，在“服务”页面搜索“本科生出国境交流学习管理系统”，找到项目“2021年院级线上交流项目（吴院-MIT）”，并填写提交申请表（需要学分认定的同学必填“课程对应关系”）。

*提交申请后及时告知学院相对应审核老师，以便学院审核（联系方式见教务处主页—下载专区—学籍管理—各院（系）有关教务助理及教学院长联系方式）。

*关于学分认定：需征求教学院长意见，在申请表中填写计划替换的课程(课程对应认定关系)，是否能够认定学分由所在学院审核决定。

2、项目报名

学生在完成校内报名的同时，还需要通过项目方链接进行报名。

点击申请链接，填写个人信息完成申请：https://jinshuju.net/f/bbkDcS

3、在完成项目报名申请后，将由助教指导进行4-6周的项目Pre-learning

九、特别说明

1、参与项目获得学习证书及成绩报告，可满足吴健雄学院国际交流提高要求。

2、考核成绩合格，学生可申请认定专业跨选课或任选课学分。

3、该项目由上海安与教育科技有限公司组织，项目费用由该公司收取，学院或学校不会收取或经手任何费用。

4、关于校级资助：完成外方的线上课程、成绩合格，且可认定校内课程学分的同学，有资格申请校级出国学习专项资助。资助办法参见：https://jwc.seu.edu.cn/gj/2020/0921/c24751a347093/page.htm

5、申请期间，注意保持邮箱等联络方式的畅通。

十、项目咨询

吴健雄学院联系人：李老师52090997

项目方：Cindy老师

项目方座机：021-2250 2221，微信：tbstudy11