课题简介
随着大数据时代的到来，数据已成为在工作和生活中进行决策的重要依据。然而，如何从海量数据中提取有价值的信息，成为了一个亟待解决的问题。数据挖掘是利用机器学习和统计分析从大量数据中发现模式和其它有价值信息的过程。传统的数据挖掘算法，如逻辑回归、支持向量机、决策树等，在实际应用中展现了卓越的性能。近年来，深度学习在图像、文本、视频、音频等各类任务上取得了非常突出的效果。然而，在数据挖掘领域中深度学习方法的应用仍未得到充分的探索。本课题将探索如何设计高效的深度神经网络架构，从而在各类数据挖掘问题中取得最优的性能。
本课程的特点在于将理论与实践进行了完美结合。通过本课程的学习，学员将透彻了解各类数据挖掘算法的原理与应用场景，掌握前沿的基于深度学习的数据挖掘方法，并学习数据挖掘学术研究领域中的论文写作与发表技巧。与此同时，生活中数据挖掘的应用场景无处不在。学员将掌握把数据挖掘技术应用于量化投资、推荐系统、时间序列预测等各领域的实践方法。
导师介绍
【学校/研究方向】
海外大厂资深算法研究专家，研究方向包括推荐系统、自然语言处理、数据挖掘等。
Google Scholar引用数累计1000+，带领团队在Kaggle、NeurIPS、ICCV等顶级国际机器学习竞赛平台获得冠军六次。
【科研论文/审稿人】
在顶级国际学术会议和期刊如NeurIPS、ICLR、CVPR、ICCV、WWW、Nature Machine Intelligence中发表二十余篇论文，其中在CCF A/B类国际会议中以第一作者身份发表论文11篇，被引超过1000次。担任NeurIPS、ICML、ICLR、AISTATS、CVPR、ICCV、ACL、EMNLP、NAACL、AAAI、IJCAI、TKDE审稿人。
【指导经验】
指导学生在WWW、RecSys、AAAI等会议发表论文15篇，投稿9篇。
可选创新点
（1）基于大语言模型的表格数据通用表征学习(KDD、SIGIR、WWW等顶会)
（2）基于自监督学习的表格深度学习模型(KDD、WWW、MM等顶会)
（3）基本面数据挖掘驱动的量化投资（ICDM、SDM、IJCNN等）
（4）推荐系统中的深度自动特征工程方法（ICDM、SDM、IJCNN等）
课程亮点
（1）深入浅出的课程内容，对于零基础学员也十分友好。给学员提供的思路以及配套的baseline非常容易上手，零基础学员也可以顺利发表论文。
（2）提供非常多实用的idea，配合课程中的论文串讲，学员可以掌握领域发展的脉络，学习到科研的方法论，并了解从产生想法到论文发表的完整流程。
（3）数据挖掘技术具有非常广阔的应用前景，在券商、银行、电商、互联网等平台都有重要的价值，对于学员求职就业都非常有帮助。
（4）提供论文写作指导，帮助学员在论文中整理好逻辑线，讲好故事，使得论文更有卖点。