方向三 : 醫學圖像分析
計算機通常可以識別訓練有素的人類醫生可能錯過的模式。有了人工智慧，醫療診斷可以更快、更準確、更省錢
方向四 : 物體檢測
物體檢測是計算機視覺中最基本的問題之一，它的目標是識別給定圖像中的物體並找到它們的準確位置
HOT
Lyft 是一家交通網絡公司（TNC），它使用AI驅動的分析來預測未來的旅行請求，從而提前匹配請求，調度車輛和平衡空閒車輛。這樣的分析能夠優化資源分配並提高服務性能（縮短車輛等待時間和繞道時間）。
在本PBL 中，學習者將對廣泛應用於交通網絡公司（尤其是Lyft）以及智能交通領域的「短期預測」和其他機器學習模型建立深刻的理解。
方向一 ：高速公路短期交通流量預測
使用從高速公路上的傳感器收集的數據探索在多個提前時間間隔（例如提前5分鐘或15分鐘）內的短期交通速度（即通過某一連結的汽車數量）預測
方向二：城市計程車短期需求大型預測
利用城市中的計程車行程數據，探索在多個提前時間間隔（例如提前5分鐘或15分鐘）內對短期計程車需求的預測 。
方向三：城市短期停靠共享自行車需求預測
使用城市旅行數據探索共享單車在多個提前時間間隔內的短期共享需求預測。
方向四：地鐵系統短期乘客需求預測
該方向旨在使用地鐵系統中的SmartCard交易數據來探索對多個短期時間間隔的短期乘客需求的預測
HOT
Morgan Stanley 作為一家全球金融服務公司運營。該公司為其客戶和顧客提供投資銀行產品和服務，包括企業、政府、金融機構和個人。它通過以下部門運營全球商務：機構證券，財富管理，和投資管理。研究重點是資產定價模型在使用共同基金風險調整後的業績基準。
此PBL計劃旨在幫助學生加深對機器學習技術的理解應用於上述金融領域，定量分析也是其中的重點。
方向一 ：風險管理
風險管理是了解公司在財務健康方面所面臨的威脅的做法。它是每個公司的必要工具，對於那些可能經歷其產品價值大幅波動的公司來說更是如此。
方向二：定價和估值
在這個方向上，學生將有機會處理基於不同方法的奇異期權的定價和估值，這些方法是基於數字方法的。
方向三：產品結構
金融產品的動態性允許採用量身定做的方法，即可以定製特定的產品以適應客戶的金融需求。
方向四：交易
在這個方向上，學生將體驗到作為一個交易員，他們不僅要制定，而且要能夠執行和跟蹤他們的交易策略。
HOT
Galaxy Digital 是一家專注於數字資產的金融服務和投資管理公司。 他們使用前沿技術為導向的工作方式，將他們的工作重點放在加密貨幣和區塊鏈上，而區塊鏈也有助於他們的內部工作流程。儘管區塊鏈通常與加密相關聯，但它的去中心化性質有更多的應用場景。區塊鏈削弱了對第三方的需求，支持以用戶為中心的交易。
該PBL將向學習者介紹區塊鏈里的豐富的數據世界，重點介紹其架構和可能的用途。 學習者將了解去中心化網絡的內部運作，以及如何在區塊鏈環境中利用數據科學、機器學習和人工智慧。
方向一 ：利用數據科學洞察金融市場
加密貨幣市場是著名的動盪和不可預測的，表現出與傳統金融非常不同的行為
方向二：使用機器學習預測合規風險
比特幣和以太坊等公共區塊鏈網絡是任何人都可以使用的開放環境。
方向三：構建Web3工具
為未來網際網路價值提供動力--網際網路正在發生變化，Web3工具與現有能力和基礎設施相結合，為公共和私營部門的企業和個人帶來了新的可能性
人工智慧+區塊鏈
大於其各部分的總和--學習系統和純應用帳本的結合為分布式協調和問題解決開闢了新的視野，具有新穎的經濟激勵結構
Schrödinger 是一家設計計算化學軟體的公司，旨在快速低成本地發現新型療法和材料。 Schrödinger 平台集成預測物理的方法與機器學習技術以加快這一過程。通過額外的計算分析循環，每輪實驗項目中找出的最有希望的化合物會被優化。
在此PBL中，學習者將學習Schrödinger 用於大規模藥物發現的計算工具，並將這些工具應用於未來的職業。
方向一 ：催化
通過簡單的物理描述符對過渡金屬的d帶中心進行機器學習預測
方向二：電子
通過簡單的物理描述符對無機固體的帶隙進行機器學習預測
方向三：電池
含鋰固體的篩選和離子電導率的機器學習預測
方向四：表面科學
構建機器學習力場以對氧化銀表面進行分子動力學模擬
Johnson & Johnson是一家跨國公司，提供各種醫療器械和藥品。 在2020年的新冠大流行期間，該公司與麻省理工學院的一個科研團隊合作建立了用於疾病跟蹤和預測的機器學習預測模型，從而使團隊能夠為疫苗開發過程做出數據驅動的決策。
學習者將有機會探索Johnson & Johnson 如何利用數據科學工具做出明智的決策，以及機器學習如何在醫療保健的其他許多方面發揮作用。
方向一
使用機器學習進行醫學成像診斷增強，將集中於利用機器學習來後期處理醫學圖像，以增強對人體的診斷和篩查。
方向二
如何最大限度提高預防COVID-19的疫苗接種效率，將探索數據驅動的模型以及將機器學習用於增強模型的方法，並理解疫苗的使用對新冠病毒的流行病學影響。
方向三
螢光顯微鏡中用於細胞計數，檢測和形態測定的深度學習，該方向將利用機器學習來自動執行計算分析。
方向四
量化評估隔離對COVID-19傳染性傳播的影響，將重點介紹構建物理驅動的AI模型，以分析隔離策略對控制COVID-19傳播的影響。
關於Blended Learning
作為世界最前沿的大型混合式學習平台之一，Blended Learning 不斷創新、顛覆、突破，提供強大的前端學習平台及數據化學習管理後台，突破物理限制，呈現互動性線上學習體驗。教學團隊由百餘位教授、研究員、行業專家組成的教學團隊負責教學，提供麻省理工學院（MIT）官方課程資源，學生可在項目中選修相應麻省理工學院課程並獲得官方證書。
Blended Learning 課程項目在全世界快速發展至今，已有不同國家和地區的數千名學習者參與了課程項目，收穫了影響其學業、職業發展的知識、經驗、技能與視野。
參與項目學員來自美、加、澳、中、新、英等多個國家或地區，形成了頂尖的全球人才社群。
如何申請參與？
帝國理工 學子均有資格申請參與項目，且課程組將為優秀申請者提供專項獎學金支持。申請通過者可獲取數千美元獎學金用於抵扣項目學費。
申請獎學金
及報名參加Blended Learnig 全球宣講會
⬇️ 可掃碼與課程組直接聯繫 ⬇️
Blended Learning MIT 官方諮詢通道
掃碼與課程組直接聯繫
