背景提升之USC探究項(xiàng)目

Category: STEM國際競賽 Date: 2020年3月25日下午6:25

南加利福尼亞大學(xué)簡稱南加大（USC），是美國西海岸最古老的頂尖私立研究型大學(xué)，是美國大學(xué)協(xié)會和環(huán)太平洋大學(xué)聯(lián)盟成員? 。南加大常年被U.S.News評為全美本科最難被錄取的大學(xué)之一。并且南加大在硅谷校友人數(shù)位居全美高校第四，被美國國土安全部選為第一所國土安全卓越中心。今天小編想要為大家介紹倆個南加大的科研探究項(xiàng)目。

USC探究項(xiàng)目：電影評論中的情感和輿情分析

課題簡介

自然語言處理（Natural Language Processing）是計(jì)算機(jī)科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個重要研究方向。以實(shí)現(xiàn)人與計(jì)算機(jī)之間通過自然語言進(jìn)行有效通信為研究目的，通過統(tǒng)計(jì)學(xué)的方法，利用計(jì)算機(jī)處理大規(guī)模自然語言數(shù)據(jù)。自然語言處理是一門融合計(jì)算語言學(xué)、計(jì)算機(jī)科學(xué)、數(shù)學(xué)于一體的科學(xué)，其研究有廣泛的應(yīng)用，包括語音識別、自然語言理解、自然語言生成、機(jī)器翻譯、對話系統(tǒng)等。

情感分析通常使用自然語言處理技術(shù)，識別客戶評論的語義情感，語句表達(dá)的情緒正負(fù)面，或者通過分析語音及文字判斷其表達(dá)的情感等來完成廣義上的主觀分析。經(jīng)過初步的學(xué)習(xí)了解機(jī)器學(xué)習(xí)之后，學(xué)生可以獨(dú)立利用開源數(shù)據(jù)庫對帶有情感色彩的主觀性文本進(jìn)行分析、處理、歸納和推理的過程，如從電影評論中分析用戶對電影的評價(jià)。

本次課題結(jié)合機(jī)器學(xué)習(xí)和自然語言處理兩門學(xué)科，在幫助學(xué)生加深對數(shù)學(xué)線性代數(shù)和機(jī)器學(xué)習(xí)重要算法應(yīng)用了解的同時，還可以讓學(xué)生利用所學(xué)知識對機(jī)器學(xué)習(xí)中向量機(jī)算法構(gòu)建數(shù)學(xué)模型對詞語情感進(jìn)行分析探究。最后對比其他主流算法，幫助學(xué)生進(jìn)行結(jié)果預(yù)測和對結(jié)果預(yù)測的原因分析。

科研方法

AI＋X數(shù)據(jù)驅(qū)動型科研

使用人工智能（AI）算法，收集、處理、分析具體學(xué)科（X）的海量數(shù)據(jù)，并基于此進(jìn)行預(yù)測，從而獲得科學(xué)發(fā)現(xiàn)的研究方法。與傳統(tǒng)的、基于實(shí)驗(yàn)或邏輯推理的研究方式相比，AI＋X數(shù)據(jù)驅(qū)動型科研可以借助AI算法強(qiáng)大的運(yùn)算能力，高效地進(jìn)行大數(shù)據(jù)分析，具有投入產(chǎn)出比高、適用范圍廣的優(yōu)點(diǎn)。

AI＋X數(shù)據(jù)驅(qū)動型科研已被廣泛地應(yīng)用于各個領(lǐng)域，利用AI算法研究基因數(shù)據(jù)，從而進(jìn)行早期的癌癥篩查便是其中一例。基因組與癌癥病患的數(shù)據(jù)千千萬萬，使用傳統(tǒng)的科研方式對其進(jìn)行分析，工程量大、過程繁瑣，在客觀上難以實(shí)現(xiàn)。

但借助AI算法這一便捷的工具，生命科學(xué)家便能夠以海量的患者的遺傳信息為基礎(chǔ)，建立數(shù)據(jù)庫，與過往的研究成果進(jìn)行對照，快速、準(zhǔn)確地在兩者中發(fā)現(xiàn)規(guī)律、建立聯(lián)系，從而使癌癥診斷的“標(biāo)準(zhǔn)化”成為可能。

授課導(dǎo)師

南加州大學(xué) 計(jì)算機(jī)專業(yè)碩士

南加大計(jì)算機(jī)專業(yè)碩士在讀；

本科計(jì)算機(jī)與應(yīng)用數(shù)學(xué)雙專業(yè)畢業(yè)于倫斯勒理工學(xué)院；

曾研究韓語識別算法研究，英語字詞變換研究；

本科期間獲得院長優(yōu)秀學(xué)生嘉許名單

課題要求

本課題適合： 9-12 年級學(xué)生，有較強(qiáng)的邏輯思維和抽象思維能力：

英文：

具備基本的學(xué)術(shù)英語閱讀能力；

接觸過英文寫作，能初步撰寫英文文章；

數(shù)學(xué)：

概率統(tǒng)計(jì)基礎(chǔ)知識；

線性回歸；

微積分基礎(chǔ)；

線性代數(shù)；

計(jì)算機(jī)：

Python NLTK；

Python編程基礎(chǔ)；

Numpy庫基礎(chǔ)；

Scikit-learn；

USC科研課題：基于ImageNet數(shù)據(jù)集的深度學(xué)習(xí)算法優(yōu)化研究

課題簡介

深度學(xué)習(xí)（Deep Learning）是人工智能（Artificial Intelligence）近幾年最熱門的研究領(lǐng)域。這個領(lǐng)域內(nèi)接連誕生了AlphaGo、人臉識別、無人駕駛汽車等重量級應(yīng)用，掀起了一場席卷全世界的科技革命浪潮。深度學(xué)習(xí)，顧名思義，就是利用多層卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network）對海量數(shù)據(jù)進(jìn)行運(yùn)算分析的技術(shù)。深度學(xué)習(xí)在很多領(lǐng)域展現(xiàn)了強(qiáng)大的應(yīng)用能力，在某些試聽識別中的表現(xiàn)甚至超越了人類專家。

圖像分類（Image Classification）是深度學(xué)習(xí)中應(yīng)用最早也是應(yīng)用最為廣泛的部分，由于現(xiàn)實(shí)世界中圖像分類問題的數(shù)據(jù)量往往很小，所以常常通過遷移學(xué)習(xí) （Transfer Learning）來完成。近幾年來，深度學(xué)習(xí)已經(jīng)成為很多圖像研究者們的首選方法，很多討論深度學(xué)習(xí)技術(shù)的文章被收錄在頂級學(xué)術(shù)雜志期刊如Nature、Science、Cell中。

作為深度學(xué)習(xí)中應(yīng)用最廣泛的部分，圖像分類的意義可以說舉足輕重。事實(shí)上，深度卷積神經(jīng)網(wǎng)絡(luò)模型在2012年橫空出世將圖像分類的最高級別的比賽ImageNet的準(zhǔn)確率提高了不止一個檔次。自此，每年的冠軍模型都是基于深度卷積神經(jīng)網(wǎng)絡(luò)開發(fā)出來的，并且在2015年，圖像分類的準(zhǔn)確率已經(jīng)高于了人類。

本課題旨在介紹深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并且就從ImageNet數(shù)據(jù)集當(dāng)中挑選一小部分作為突破口，來探究深度學(xué)習(xí)的來龍去脈。除此之外，本課題還緊跟學(xué)術(shù)前沿，介紹當(dāng)下流行的幾種準(zhǔn)確率最高的模型，并且比較它們之間的區(qū)別。

本課題還介紹遷移學(xué)習(xí)的目的及必要性、應(yīng)用成熟的模型對數(shù)據(jù)集進(jìn)行調(diào)試的方法，并且比較圖像分類方法的準(zhǔn)確率，旨在讓學(xué)生從理論到實(shí)踐全面了解深度學(xué)習(xí)。

科研方法

AI＋X數(shù)據(jù)驅(qū)動型科研

授課導(dǎo)師

南加州大學(xué)生物醫(yī)學(xué)工程專業(yè)博士

南加州大學(xué)生物醫(yī)學(xué)工程專業(yè)博士在讀；

研究方向?yàn)槭褂脵C(jī)器學(xué)習(xí)算法分類生物醫(yī)學(xué)影像；

現(xiàn)擔(dān)任USC生物醫(yī)學(xué)工程專業(yè)助教。

課題要求

本課題適合： 9-12 年級學(xué)生，有較強(qiáng)的邏輯思維和抽象思維能力：

英文：

具備基本的學(xué)術(shù)英語閱讀能力；