開始日期: 2023-11-11

　　課時安排: 7周在線小組科研學習+5周不限時論文指導學習

　　適合人群

　　適合年級 (Grade): 高中生/大學生

　　適合專業 (Major): 人工智能、計算機科學、數據科學、數據處理、統計學、機器學習、深度學習等專業的學生

　　學生需要具備線性代數、概率論與數理統計基礎，無編程基礎的學生可用Edge Impulse進行神經網絡網絡模擬

　　導師介紹

　　Alex

　　牛津大學 University of Oxford終身正教授&中心主任

　　Alex導師現任是牛津大學的計算機科學系終身正教授，同時擔任是自主智能機器和系統博士培訓中心(AIMS CDT)的聯合主任，也是網絡物理系統研究小組的成員。Alex教授致力于將人工智能和機器學習應用于物理傳感器系統，以解決關注可持續性的現實世界問題。導師最近的工作涉及未來能源系統，如智能電網、公民科學平臺和環境監測，通常涉及在設備、智能手機或云計算中實際部署的新方法。目前的工作是智能建筑能源管理和低成本節能技術的發展。作為博士生導師， Alex曾指導過之前指導過26名博士生完成學業。

　　Dr. Alex is a Professor of Computer Science at the University of Oxford as well as the current Co-Director of the Autonomous Intelligent Machines and Systems Centre for Doctoral Training (AIMS CDT) and a member of the Cyber-Physical Systems research group. His research applies artificial intelligence and machine learning within physical sensor systems to address real-world problems focusing on sustainability. Prof. Alex's recent work has addressed future energy systems, such as the smart grid, citizen science platforms, and environmental monitoring, and typically involves the real-world deployment of novel approaches in devices, smartphones or the cloud. His current work addresses smart building energy management and the development of low-cost conservation technology. Alex has previously supervised 24 PhD students to completion, and is currently supervising Amanda Matthes and Jonas Beuchert.

　　任職學校

　　牛津大學(University of Oxford)是一所公立研究型大學，采用傳統學院制。羅素大學集團成員，被譽為“金三角名?！焙汀癎5”。牛津大學的具體建校時間已不可考，但有檔案明確記載的最早的授課時間為1096年，之后在1167年因得到了英國王室的大力支持而快速發展。 牛津大學是英語世界中最古老的大學，也是世界上現存第二古老的高等教育機構。該校涌現了一批引領時代的科學巨匠，培養了大量開創紀元的藝術大師、國家元首，其中包括28位英國首相(其中13位來自牛津大學基督堂學院及數十位世界各國元首、政商界領袖。牛津大學在數學、物理、醫學、法學、商學等多個領域擁有崇高的學術地位及廣泛的影響力，被公認為是當今世界最頂尖的高等教育機構之一。從1902年起，牛津大學還設立了面向全世界本科生的“羅德獎學金”。截止至2019年3月，牛津大學的校友、教授及研究人員中，共有72位諾貝爾獎得主(世界第九)、3位菲爾茲獎得主(世界第二十)、6位圖靈獎得主(世界第九)。2021-2022年度，牛津大學位列泰晤士高等教育世界大學排名第1，QS世界大學排名第2，U.S. News世界大學排名第5，軟科世界大學學術排名第7。特別的是，牛津大學于2017-2022年連續6年在泰晤士高等教育世界大學排名榮膺世界第1。

　　項目背景

　　卷積神經網絡CNN是一種多層的監督學習神經網絡，隱含層的卷積層和池采樣層是實現卷積神經網絡特征提取功能的核心模塊。該網絡模型通過采用梯度下降法最小化損失函數對網絡中的權重參數逐層反向調節，通過頻繁的迭代訓練提高網絡的精度。卷積神經網絡的低隱層是由卷積層和最大池采樣層交替組成，高層是全連接層對應傳統多層感知器的隱含層和邏輯回歸分類器。其本質是一個多層感知機，成功的原因在于其所采用的局部連接和權值共享的方式：一方面減少了權值的數量使得網絡易于優化，另一方面降低了模型的復雜度，也就是減小了過擬合的風險。上述優點使得該技術在計算機視覺、自然語言處理、推薦系統等人工智能領域受廣泛使用，項目也將圍繞著機器學習與神經網絡這一前沿技術展開。

　　項目介紹

　　項目中，導師將向學生介紹機器學習和現代人工神經網絡的關鍵理論，然后探索機器學習在涉及圖像、聲音和運動數據分類的實際問題上的實際應用。該項目將使用Edge Impulse在線平臺，讓學生在無需編寫完整復雜代碼的情況下，將復雜的神經網絡學習方法應用到所收集的數據集上。學生將自選真實世界的分類任務，使用上述算法及平臺開發解決方案，在項目結束時提交項目報告，進行成果展示。

　　This course will introduce students to machine learning and modern neural networks. It will introduce the key theory of this approach and then explore the practical use of machine learning on real problems involving the classification of images, sounds and motion data. The course will use the online Edge Impulse platform to allow students to apply sophisticated neural network learning approaches, without having to write code, to datasets that they have collected (from the internet or their smartphones). During the project, students will choose their own real-world classification task, develop a solution using the skills that they learned, write up their results, and present their work back to the group.

　　項目大綱

　　機器學習和神經網絡介紹 Introduction to machine learning and neural networks

　　反向傳播和現代神經網絡 Backpropagation and modern neural networks

　　實現圖像分類 Implementing image classification in Edge Impulse

　　實現聲學和運動分類 Implementing acoustic and motion classification in Edge Impulse

　　學術研討1：教授與各組學生探討并評估個性化研究課題可行性，幫助學生明晰后續科研思路，完成初步數據收集及實驗 Final Project Preparation Session I

　　學術研討2：學生將在本周課前完成程序設計原型(prototype)及偽代碼(Pseudocode)，教授將根據各組進度進行個性化指導，確保學生優質的終期課題產出 Final Project Preparation Session II

　　成果展示 Final Presentation

　　論文指導 Project Deliverables Tutoring

　　項目收獲

　　7周在線小組科研學習+5周不限時論文指導學習 共125課時

　　項目報告

　　優秀學員獲主導師Reference Letter

　　EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等級別索引國際會議全文投遞與發表指導(可用于申請)

　　結業證書

　　成績單

留學也是一種投資，你的留學預算充足嗎，簡單3步，輕松了解留學預算？

費用計算

想去留學，不知道自己是否符合條件？馬上測一測吧？

條件評估