科研实训-机器学习

活动详情

项目日期：

第一阶段：2周远程辅导：了解项目背景，文献阅读，资料收集

第二阶段：1周实地实习：每天9:00-16:30

第三阶段：2周远程辅导：完成实验报告

注：远程辅导是指导师利用邮件、QQ等进行任务布置、讲解和答疑。每周导师与学生沟通1-2次，每次1-2小时。具体时间可灵活安排。

实习地点：北京中关村

关联专业：计算机，软件

实验方向：机器学习，数据挖掘，文本挖掘

实习成果：实验报告+推荐信

录取标准：简历审核+电话面试(注：学生需具有一定编程基础matlab/Python)

项目简介：基于机器学习的文本聚类是对文本进行无监督的学习过程。本课题基于聚类技术，能够实现对批量文档的聚类过程，从而发现其中的主题，在网络安全领域可用于发现邮件中的事件线索。课题涉及机器学习，数据挖掘等相关技术对文本进行词频统计，向量化表示，降维处理，聚类分析。实习过程中采用理论与实践结合的方式，培养学生对文本挖掘的兴趣，提高对文本的分析能力。

项目内容：

时间	内容
2周远程辅导	项目背景了解，文献阅读，编程训练
1周实地实习：每天9:00-16:30	Day1: 文本聚类技术 l 常用文本聚类技术 l k-means算法介绍 Project 1：对文档进行向量化表示
	Day2: 主题建模技术 l PLSA算法介绍 l LDA算法介绍 Project 2：实现k-means算法
	Day3: 内容安全技术 l 内容安全介绍 l 典型应用案例介绍 l 常用技术 Project 3：实现PLSA算法
	Day4: 文本聚类在内容安全领域的应用 l 隐秘通信 l 主题模型在内容安全领域的应用 Project 4：利用LDA算法找到文本主题
	Day5: 基于文本聚类的邮件数据分析 l 分析邮件数据 l 展示分析结果 l 项目开放问题讨论与下阶段任务布置
2周远程辅导	完成实验剩余部分，并完成实验报告。 1．继续在某数据集基础上，用pagerank算法找比较重要的几个人，从主题词中分析人物特点，职务等信息 2. 利用公开的中文语料库，比如搜狗语料库，做文本分类，计算下分类精度，对比不同算法的精度，效率