1 CE7429 Computational Intelligence: Methods & Applications
计算智能 (CI) 的灵感来自统计、模式识别、神经网络、机器学习、模糊逻辑、进化计算、科学可视化和其他来源。
本课程涵盖基础理论、实现许多计算智能算法(WEKA 和 GhostMiner)的两个软件包的使用,以及 计算智能方法在技术、医学和生物信息学领域数据的实际应用示例。
1.1 课程概要
计算智能概述、自适应系统的类型、学习和应用;
可视化和探索性数据分析:少变量、主成分分析(PCA)、多维尺度(MDS)、自组织映射(SOM)、平行坐标等可视化算法;
理论:学习统计方法概述、偏差-方差分解、期望最大化算法、模型选择、结果评估、ROC曲线;
介绍 WEKA 和 GhostMiner 软件包,介绍这些软件包中可用的算法;
统计算法:判别分析——线性(LDA)、Fisher(FDA)、正则化(RDA)、概率数据建模、核方法;
基于相似性的方法、原型的生成、相似性函数、可分离性标准、模式识别中的结构方法;
改进计算智能模型:boosting、stacking、集成学习、元学习、用于选择特征的信息论。
总课时数:39小时
(
那个computational intelligence,要做的作业好多
那个老师看着挺和蔼的。但是听说他会给master学生比较高的分
但是会给phd比较低的分
)
(
——7429难不难呀
——都说作业多
——很麻烦,而且这学期好像有考试
)
(
——Computational Intelligence: methods & applications这门课有人上过嘛
——三个作业一个presentation两篇paper
——没考试吗
——去年没
——今年好像有
——CI这课去年给分挺松,不过事确实多
)
2 CE7454 Deep Learning For Data Science、
深度学习最近引入了从人类设计特征到端到端系统的范式转变,并彻底改变了包括计算机视觉、语音识别和自然语言处理在内的多个领域。
谷歌、Facebook、微软、苹果、亚马逊等顶级 IT 公司已经积极利用深度学习技术重新设计他们的产品,未来几十年的影响将超越自动驾驶汽车、围棋等战略游戏和 MRI 癌症检测。
本课程的主要目的是介绍深度学习架构的数学基础、最先进的架构和专业库。
学生将学习如何设计自己的人工神经网络来解决他们的数据分析任务。
他们还将学习如何使用 TensorFlow 和 PyTorch 高效地编写这些新算法。 总课时数:39小时
(比较容易过)(还可以)(据说不难)
http://deep-learning-xbresson.s3-website-us-west-1.amazonaws.com/
3 CE 7490 Advanced Topics In Distributed Systems
本课程向研究生介绍分布式计算模型、算法和软件系统的高级主题。
它涉及设计问题、实现技术以及支持分布式系统实现的软件工具和环境,旨在为研究生做好分布式系统研究的准备。
课程概要
将涵盖以下列表中的精选主题:
• 分布式计算模型和算法
• Internet 和 Web 技术和应用程序
• 分布式协作系统
• 分布式模拟和虚拟环境
• 网格计算和 P2P 系统
• 其他分布式系统
将对真实分布式系统进行案例研究,并回顾该主题领域的最新研究文献。
总课时数:39小时
4 CE7491Special Advanced Topic: Digital Image Processing
本课程提供图像处理的基本概念、理论和技术。
涵盖了理论和实践两个方面,并对选定的问题进行了深入分析。
本课程附有基于 Matlab 的实验室组件。
课程概要
图像形成;
增强;
边缘检测;
插值;
颜色处理;
频域处理;
恢复和重建;
小波处理;
图像和视频压缩;
形态学操作;
图像分割与表示;
物体识别
总课时数:39小时
(比较容易过)
(
——有人选7491吗
——7491非常麻烦但是没有大考试
)
5 M6803 COMPUTATIONAL METHODS IN ENGINEERING
工程计算要求概述。
基本原理回顾:
数字系统和误差分析、收敛性和准确性。
算法和数据结构,软件工程原理。
函数和导数。
近似。
插值和正交。
特征值问题。
方程组。
优化。
ODE 和 PDE 的数值解。
符号计算包的使用:MATLAB。
6 L6002 物流分析的定量方法
许多管理决策越来越多地基于使用定量方法的分析。 量化工具、技术和概念极大地改变了企业在供应链、物流、制造和服务运营方面的运作方式。 如果使用得当,定量方法对提高几乎所有公司的竞争力都有巨大的影响。 本课程旨在为学习者提供基本的定量技术,帮助他们做出更明智的管理决策。
本课程是以下课程的一部分:
- 供应链工程研究生证书
- 供应链工程中的 MiniMastersTM
在课程结束时,学习者能够应用物流决策所需的各种分析方法。
课程内容
概率和统计概念。
抽样方法。
统计推断:估计、假设检验。
拟合优度测试。
非参数程序。
回归分析。
解决物流问题的优化技术。
线性和整数规划。
网络流量分析。
排队论。
计算机应用。
7 离散方法 (MAS711)
教学大纲:
图论的基本概念、欧拉回路和欧拉轨迹、最小生成树、
Prim 和 Kruskal 算法、Prüfer 代码。
网络流,Ford-Fulkerson 算法,增广路径定理,最大流-最小割定理,最小成本流,网络单纯形算法。
线性规划、对偶定理、多面体的结构、极值点、单纯形算法。
枚举; 图和网络算法; 有限域和应用; 布尔代数; 多面体和线性规划; 算法复杂度
8. 算法与计算理论(MAS714)
教学大纲:图灵机、可判定性、时间复杂度、空间复杂度、算法设计与分析(贪心、分治、动态规划)、图算法、网络流、逼近算法。
9 K6308 商业智能
企业环境中的商业智能:应用程序、系统和流程。
竞争者、竞争和社会智力的特征。
商业智能和增长机会:政治、经济和社会环境。
商业智能战略和系统。
各种环境中的商业智能:产品、客户和供应商。
Internet 和基于 Web 的智能。
与商业智能相关的道德问题。
10 H6715 信息管理
本课程介绍信息管理的基本概念——如何在盈利和非盈利组织中识别、评估、收集、处理、存储和传播信息。
基于上下文的信息及其用于规划和决策的管理。
信息在社会中的重要性。
学习型组织中的信息管理。
组织中的信息需求和信息搜索。
机构和个人层面的信息管理。
信息管理周期和活动。
管理人力、印刷和在线信息资源。
组织信息政治模型。
信息共享工具和障碍。
信息在战略规划中的作用。
通过竞争对手情报、商业情报、社会情报和“大数据”来源的使用收集信息。
信息产品和服务的营销。
信息管理活动的外包。
组织信息审计。
11 CI6227 数据挖掘
本课程围绕通过数据挖掘的知识发现过程展开。 学生将学习所涉及的适当统计技术,并亲自操作数据挖掘软件和工具。 他们还将开始将数据挖掘应用于复杂的数据类型。
CI6227 数据挖掘 3.0 AU 知识发现过程。 数据准备包括数据清理、异常值分析和转换。 统计技术:回归建模、多元统计、统计推断。 监督和无监督学习技术,包括决策树归纳、最近邻分类、聚类分析、关联分析、支持向量机、贝叶斯学习和神经网络。 数据挖掘软件和工具。 数据挖掘在复杂数据类型中的应用。