在数据科学人才教育中不断前行: 《大数据系统基础A、B》课程实践项目中期答辩顺利举行...

640?wx_fmt=png


为服务国家大数据发展战略,打造多层次、多类型的大数据人才队伍,清华大学大数据能力提升项目之《大数据系统基础A、B》课程实践项目中期答辩于2018年11月14日顺利举行。清华大学软件学院教授王建民、软件学院副教授宋韶旭、交叉信息研究院助理教授徐葳等任课教师,以及各实践项目中的企业导师作为评委,认真听取了来自于31个院系的128位同学的答辩汇报,并根据同学们的表现逐一进行了点评和指导。

 

640?wx_fmt=png

《大数据系统基础A、B》课程实践项目中期答辩正在进行时

 

本次中期答辩主要从文献调研、需求沟通、数据获取、技术路线、预期目标等多方面进行评估,形成了任课老师、企业导师和学生各方综合评价相结合的机制。答辩由数据科学研究院罗国荣老师主持,24位企业导师、校内导师和助教团队作为评委,参与提问和评分。针对学生在开展项目过程中遇到的困难,以及所选择的大数据工具是否恰当等问题,授课老师和企业导师给出了引导和建设性的建议。

 

第一组同学率先以“PB级APP服务端海量日志集成处理系统及相似人群智能查找算法的设计”主题开场,向在座的各位老师汇报了他们的项目进展。他们分别从项目调研背景、原始数据采集、存储系统选型、海量报文处理等角度入手,帮助企业通过大数据和机器学习算法,实现精准的营销推广决策。他们同时也对该技术的市场应用前景进行了深度分析,受到了在座导师的一致好评。

 

640?wx_fmt=png

《大数据系统基础A、B》课程实践项目中期答辩第5组学生的汇报

 

而在实践的过程中,同学们收获的并不是仅仅是经验和知识。“理论知识的应用只是其中的一个方面,对于理工背景的我来说,收获最多的是与人沟通以及团队协作的能力。比如:如何在项目过程中与企业导师沟通,获知企业真实的应用需求;如何在团队中充分发挥自己所擅长之处与其他小伙伴相互配合,这些都是将来在工作中非常重要的能力,对我非常有帮助。”生命学院直博二年级的学生邓双蘩如是说。

 

企业导师郭锐表示:“无论是从前期调研还是数据分析,清华的学生都呈现出了很强的执行能力。此外,技术角度的数据分析,以及项目角度的团队协作,都表现得十分出色。作为企业导师,我最大的希望就是他们可以利用企业真实的数据、实际的问题,进一步了解企业对大数据问题的真正需求,在步入社会之前积累更多的经验。而我也非常愿意在这个过程中,为他们提供指导和帮助。”

 

640?wx_fmt=png

图注:任课老师及企业导师正认真听取学生们的答辩汇报

 

数据科学研究院始终致力于突破传统的教学方式,在《大数据系统基础A、B》课中引入来自业界的真实数据和项目正是成功探索之一。本课程将信息类和非信息类学科的同学组队,以团队的形式做项目,使得跨学科的学生在组内进行充分交流、互相学习、各自发挥专长。课程引入18多个丰富又真实的数据并让学生和用户进行交流,使学生在进入职场之前就有机会了解社会和企业对大数据技术解决问题的需求。其项目数量之多、社会力量支持力度之大,是全国乃至世界少见的教学模式探索。对此,王建民老师在现场强调:“大数据思维、跨界学习、应用实操这三个方面对于学生们来说都非常重要,如何将其融会贯通,成为自己真正的本领,是同学们需要进一步考虑的问题。希望这种先进且实用的教学理念,能够帮助更多的清华学子在数据科学领域绽放异彩,成为真正的π型人才。”

 

640?wx_fmt=png640?wx_fmt=jpeg

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值