Description
康奈尔探究项目
量化金融中的最优化方法-动态投资组合管理
课题简介
基于机器学习的手写快递单据自动识别
Automatic Handwritten Express Document Recognition Based on Machine Learning
无论银行还是邮局，海量的数据已法单单依靠人力进行操作分析。如何依靠计算机精确识别手写数万计的客户票和快递标签，成为提高物流、金融行业效率的重要课题。机器学习在这个课题上大有可为。此课题以手写数字数据，通过建立分类模型实现对这些数字的精确识别。
在此过程中，学生将学习到基础概率统计知识，以及参数优化的基本理论，并编程实践两三个不同的模型。在较总结不同模型的不同结果之后，学会积累模型判别的相关经验，此课题的成果正在逐步应用到银行单据和快递订单的自动识别中。
科研流程
课程模块一：预备课程
在教学过程正式开始前，有方学者会根据学生的具体情况提供数学、统计、英语学术论文写作等预备课程。
课程模块二：科研辅导
来自美国顶尖人工智能的机器学习科研团队将在有方学者团队的配合下，进行8-12周的科研辅导：
微积分、线性代数和概率统计入门；
学习 Python编程语言和相关的库numpy, pandas, scikit-learn, matplotlib；
学习探索性数据分析（Explorative data analysis），并通过统计方法和可视化对金融数据进行分析
学习回归分析(regression)，对金融数据进行社交媒体效应的评估
学习几种重要的自然语言处理和机器学习算法，提出初步的金融数据舆情情感分析；
课题验收需要学生完成英文学术论文的写作，并向科研团队进行答辩。
指导速度可能因实际教学情况而异
课程模块三：论文写作&发表
在科研辅导结束后
项目导师将辅导学生完成论文写作
协助学生完成论文在英文学术期刊上正式发表。
整个科研教学流程中，每一位学员都将有学术督导协助保障研究阶段性作业和论文的进度，确保取得研究成果。
高中生/本科生 科研项目
资讯 · 课程 · 全程指导
咨询请添加顾问老师
授课导师
加州大学洛杉矶分校博士
加州大学洛杉矶分校（University of California, Los Angeles）加利福尼亚大学系统中第三古老的分校，近年来在美国公立大学排名中高居第二名，是全美录取率最低的公立大学之一。
研究方向：Machine Learning，Biostats
课题要求
本课题适合： 9-12 年级学生
有一定的英语阅读和写作能力
有较强的逻辑思维和抽象思维能力
专业领域的零基础学生，我们会提供相关的学术知识培训。
统计学：矩阵的基本知识
计算机：Python编程基础
