机器学习专题：数据分析到模型决策的实践基础一回归与分类模型的构建、比较与改进

　　开课时间：2026-08-19

　　3周线上直播+6周论文辅导+6次产学研导师课

　　难度★★★☆☆

　　10封教授网申推荐信+1篇英文会议论文辅导(EI/CPCI/Scopus等数据库的稳定检索)+产学研方案

　　导师介绍

　　T.H.

　　帝国理工学院数据管理正教授

　　·计算机系SCALE实验室负责人

　　·曾任VLDB/SIGMOD/ICDE等国际会议组织委员

　　·曾获世界上规模最大、声誉最高的国际交流计划一美国富布莱特学者项目奖学金

　　·发表多篇高引论文，是大规模数据管理与机器学习领域的知名学者

　　产学研导师

　　计算机领域顶尖技术专家

　　·前阿里达摩院高级人工智能训练师

　　·深耕AI大模型、机器学习、智能数据分析等多个核心板块

　　·多次在国际技术顶会分享AI赋能各行业的核心成果与实践方法论

　　·精通数据科学建模、AI算法落地、行业场景AI赋能等关键能力

　　课程简介

　　本课程属于机器学习(Machine Learning)与数据科学(Data Science交叉领域，是计算机科学、人工智能和应用统计中的核心方向之一。

　　在现实生活中，机器学习已经广泛应用于医疗诊断、金融风控、推荐系统、异常检测、商业预测等场景。但在实际应用中，真正的挑战往往不在“模型公式”，而在于：数据是否干净、特征是否合理、模型是否真的“学到了有用的信息”以及结果是否可靠、可复现、可解释。

　　这门课正是为了解决一个常见问题而设计的：“学过机器学习理论，但不知道如何真正把一个真实数据问题完整地做下来。”

　　课程要点

　　·从“跑模型”到”理解模型”：初学者容易只关注代码是否运行，而忽视结果是否合理

　　·数据泄露(dataleakage)问题：在特征工程和数据切分中非常常见，但又不容易被直观发现

　　·指标选择与解释：不同任务下，准确率、RMSE、F1、ROC-AUC各自意味着什么

　　·过拟合与欠拟合的判断：以及如何通过交叉验证与正则化进行控制

　　·模型性能提升的系统方法：而不是”随意换模型、反复试参数

　　适用学生

　　·适合希望将机器学习从“概念理解”推进到”实际应用”的学生，尤其是计划继续深造或从事数据相关工作的

　　·计划申请海外名校，需要提升申请竞争力的学生

　　·对高含金量的学术推荐信有需求的学生

　　·希望提前了解意向专业，或转专业申请缺乏相关研究经历的学生

　　·希望提前适应国外教学方式，提升学习能力的学生

　　项目收获

　　15周课程：3周顶尖名校教授课+6周经典论文教学+6周产学研导师授课的上课体验

　　技能学习：熟练掌握论文框架、技巧、相关知识等内容

　　推荐信：10封顶尖名校教授ReferenceLetter

　　论文投稿：EI/CPCI/Scopus/EBSCO或同等级别国际会议全文投递与发表指导

　　课程证明：来自顶尖名校教授签发的项目证明