【宁波学而教育】24小时咨询热线：400-6169-615，咨询QQ：1378779299 学而对学生的帮助并不随申请结束而终止；相反，这份友谊将一直伴随学生到大学、工作，乃至一生。选择学而，不仅仅是选择精英顾问，更是选择将自己的未来与精英划上等号！学而是一个理念、一种精神。“做最牛的申请，交最好的朋友”，让每一位学生都能做最好、最牛的自己。欢迎来电咨询，预约免费试听体验课程。

加州大学伯克利分校计算机电子类科研

UC Berkeley EECS Research

加州大学伯克利分校（University of California, Berkeley），是一所位于美国加州旧金山东湾伯克利的公立研究型大学。其许多科系位于全球大学排行前十名，是世界上最负盛名的大学之一。伯克利加大曾有72位教职员或学生为诺贝尔奖得主、9位沃尔夫奖、13位菲尔兹奖、22位图灵奖、45位麦克阿瑟奖、20位奥斯卡金像奖及14位普立兹奖得主。

面向对象：以欲申请美国名校计算机、电子信息系统、电气、自动化等相关专业的高中生为主；

科研主题：计算机科学与程序设计（计算机科学简介、程序设计入门、Python 程序语言、初等算法和数据结构、机器学习和数据挖掘初步等）

软性背景：有一定的科研履历者优先；

科研导师：UCB - EECS类专业导师；

科研地点：UCB 科研组会议室；

科研起源

在最新的世界学术水平排行榜中，绝大部分都是美国的大学。由于美国大学与工商业、企业结合紧密，同时学校的教学资源、实验课题及实验设备都属于全球顶尖状态，从而成为众多留学生的梦想留学目的地。

目前中国学生申请赴美留学人数日益剧增，以往美国顶尖名校选择录取GPA高分学生，后来校方逐渐发现学生在学习中缺少创新和实操的能力，进而导致美国名校录取率的下降。近些年，招生官对选择学生时更加看重的是自主创新、专业技能、思维创造才能等综合素质人才。对于计划入读美国名校的学生，实际的科研经验无疑可以提升竞争力，从而大大增加被名校录取的概率。

加州大学伯克利分享EECS高端科研项目，坚持为更多有梦想的学生提供机会和平台。

科研亮点

1. 进入美国名校实验室/科研组，接触尖端科学

为未来赴美深造做准备；科研经历是美国名校申请的基石，顶级名校的科研项目是对学生有能力完成名校学业最好的证明；

2. 师从导师开展实验项目

高层次的人脉和校友关系，与学生为伍的人是诺贝尔奖获得者、美国科学院院士、教授、名校博士、硕士，学生将体验到世界最顶级学术专家们的思想和气质；

3. 获得导师推荐信和科研证书；

对于优秀学生可以获得名校导师的推荐信，大大助力未来的留学申请；

4. 全天候专业英语环境，迅速提升专业水平；

提升沟通和专业英语水平，提升专业知识和能力，用实践使学生的理论知识更加具体形象；

5. 高含金量收获助力未来留学深造及就业

在名校导师指导下的科研过程将帮助学生明确自身发展方向，不断深化对于美国学界的了解与认同，帮助参与学生及家长明确未来的学校及专业申请方向；从而更好的明确留学的目的与意义，摆脱盲目，获得真知；

科研内容

该研究计划旨在让对EECS与工程领域有兴趣的学生对EECS有全面详尽的了解，并且能够初步入门。科研与材料将采用伯克利大学相同的内容，每位学生都能和导师个性化咨询交流，有针对性地进行指导。

该研究将介绍计算机科学重点概念的讲解，入门和巩固程序设计的技术。学生将会学习初等的算法和数据结构，为接下来的深入学习打下基础。同时，学生将会探究学习机器学习领域的基础知识，并且将有机会接触到深度学习等前沿技术。

实践是学习的重要一环，该研究计划将辅导学生的编程实践能力，包括 Python 程序语言、LeetCode 在线算法测试和 Kaggle 数据挖掘竞赛等。

科研完成时，学生将会全面了解伯克利工程科研的培养流程，并对EECS专业有一个完整的认知，对学生今后的专业选择或者人生规划有很大的助益。

科研内容

研究模块 1 ---- Programming Intro (编程入门)

编程是学习EECS科研的一个重要组成部分，无论是基础的算法和数据结构，还是进阶的人工智能、网络、系统和安全，都需要学生具备扎实的编程基础，因此编程的重要性不言而喻。然而，大部分大学科研都假定学生将会在选修科研之前自行学习入门编程，因此在进入本科科研之前具备编程基础，对学生的学习将大有助益。导师将会借鉴伯克利 CS 61A 科研的内容，用最新的内容引导学生，最终学生将能用 Python 语言独立完成项目作为模块的总结。

研究模块 2 ---- Algorithm and Data Structures (算法与数据结构)

算法和数据结构是EECS的核心，这个模块将会重点讲解算法的重要概念——时间复杂度和空间复杂度，以及基本的算法和数据结构，例如搜索、排序、动态规划、数组、链表、队列、栈等等。导师同时提供伯克利的海量资源供学生参考。学生将能独立解决算法问题，对日后的专业学习都大有裨益。

研究模块 3 ---- Big Data (大数据)

大数据技术（包括计算机视觉、无人车等等）是当前硅谷最热门的领域，模块将会重点介绍大数据时代下机器学习和数据挖掘技术。学生将学习基础的机器学习算法和概念，并在国际著名的大数据竞赛平台 Kaggle 接触一手的大数据。导师将指导学生在 Kaggle 参加并完成 MNIST 任务。

研究模块 4 ---- Deep Learning (深度学习)

承接上一模块的内容，学生将有机会接触最新的深度学习技术以解决大数据问题。重点讲解人工神经网络、反向传播算法、卷积神经网络等概念，并编写代码，利用 MNIST 数据集，完成手写数字识别的任务。

科研进程

Section	Contents
Section1	介绍 UC Berkeley CS Division 的总体概况，计算机科学概览，答疑 [Lecture] Overview of UC Berkeley CS Division · Ice-breaker · Basics of Computer Science -- Theory, AI, Database, Networking, ……
Section 2	介绍程序设计基本概念，开始指导学生实践 [Lecture] · Control & Expressions · Discussion: Control and Higher Order Functions ……
Section 3	函数与递归 [Lecture] · Discussion: Environment Diagrams and Recursion [Lab] · CS 61A Lab 2 Homework 2
Section 4	数组、链表、字典，复杂度分析 [Lecture] · Array, List, Dictionary · Asymptotic analysis [Lab] · Leetcode: 2Sum, 3Sum, 3Sum Closest, 4Sum
Section 5	排序：插入排序、归并排序、冒泡排序 [Lecture] · Sorting algorithms [Lab] · Leetcode: Insertion Sort List, Merge Two Sorted Arrays, Merge Two Sorted Lists, Merge k Sorted Lists, Sort List, Kth Largest Element in an Array
Section 6	分治法与动态规划 [Lecture] · Divide-and-conquer · Dynamic programming [Lab] · Leetcode
Section 7	Kaggle 与 MNIST 入门 [Lab] · Kaggle and MNIST · Jupyter, sklearn Read linear regression, Logistic regression, SVM
Section 8	线性回归、Logistic 回归、支持向量机 [Lecture] · Linear regression · Logistic regression · SVM [Lab] · Keras Read Neural Networks and Deep Learning
Section 9	机器学习进阶：深度学习 [Lab] · MNIST using convent
Section 10	最终成果总结，导师一对一反馈 [Discussion] · Project wrap-up · One-on-one feedback