本科选导师自我介绍.docxVIP

本科选导师自我介绍

本科选导师自我介绍

一、个人基本信息与学术背景概述

本人XXX，XX大学XX学院XX专业2021级本科生，学号XXX。专业方向为人工智能，主修课程涵盖数学基础、计算机核心理论与人工智能应用技术，目前已完成总学分130/160，平均学分绩点3.8/4.0，专业排名前8%（专业共120人）。本科前三年系统学习了数学分析、线性代数、概率论与数理统计等基础课程，以及数据结构、算法分析、机器学习、深度学习等专业核心课程，为科研实践奠定了扎实的理论基础。

在学术兴趣上，我聚焦于自然语言处理（NLP）与多模态智能方向，尤其关注低资源场景下的语言模型优化与跨模态信息融合技术。通过课程学习与科研项目实践，逐步构建了“数学理论—算法设计—工程实现”的完整能力链条，累计完成5个课程设计项目、2项校级科研训练项目，参与1项校企合作课题，相关成果已形成技术报告2份、会议论文1篇（第二作者）。

二、学术基础：核心课程与知识体系构建

（一）数学基础：量化分析与算法优化的理论支撑

数学课程是科研工作的底层逻辑，我注重通过课程学习建立严谨的量化分析思维，具体课程成绩与知识应用如下：

-数学分析（92分）：掌握极限理论、级数收敛与多元微积分，能独立推导梯度下降、牛顿法等优化算法的数学原理。在课程设计“基于梯度下降的函数优化实验”中，对比了不同学习率对收敛速度的影响，通过Matlab实现1000次迭代实验，验证了学习率η=0.1时收敛速度最快（较η=0.01提升40%）。

-线性代数（90分）：深入理解矩阵分解、特征值分解与奇异值分解（SVD）理论，将其应用于降维任务。在“主成分分析（PCA）降维实验”中，使用Python对MNIST手写数字数据集（784维）进行降维，当保留95%方差时，维度降至153维，分类准确率仅下降2.3%，验证了SVD在特征压缩中的有效性。

-概率论与数理统计（88分）：掌握贝叶斯推断、马尔可夫链与概率图模型，能独立设计统计实验。在课程“文本分类的朴素贝叶斯模型实现”中，使用20Newsgroups数据集，通过拉普拉斯平滑解决零概率问题，分类准确率达82.5%，较未平滑方法提升9.7%。

（二）专业核心：从算法原理到工程实现的能力迁移

专业核心课程的学习注重理论与实践结合，通过编程作业与课程设计，将理论知识转化为解决实际问题的能力：

-数据结构与算法（94分）：掌握常用数据结构（哈希表、树、图）与算法（动态规划、贪心、回溯），能分析算法时间复杂度。在“社交网络最短路径算法设计”课程设计中，使用Dijkstra算法与A*算法对Twitter社交网络数据集（10万节点，50万边）进行路径规划，A*算法平均搜索速度较Dijkstra提升35%，证明了启发式搜索在稀疏图中的高效性。

-机器学习导论（91分）：系统学习监督学习、无监督学习与强化学习核心算法，完成3个综合实验项目。其中，“基于集成学习的用户churn预测模型”项目中，对比了随机森林、XGBoost与LightGBM在电信用户流失数据集（10万样本，20维特征）上的表现，XGBoost（AUC=0.89）较单一决策树（AUC=0.72）提升17.8%，通过特征重要性分析发现“月消费下降率”是churn的关键预测因子。

-深度学习（93分）：掌握神经网络基础（CNN、RNN、Transformer）、反向传播与模型优化技术，能独立搭建深度学习模型。在“基于LSTM的文本生成实验”中，使用《红楼梦》前80回语料训练模型，通过引入注意力机制，生成文本的困惑度（Perplexity）从125降至78，模型对长文本的逻辑连贯性显著提升。

三、科研实践经历：从项目参与到课题探索

（一）校级本科生科研训练项目：低资源NLP模型优化

项目名称：基于跨语言迁移的小样本情感分析研究（2023.09-2024.06，项目负责人）

项目背景：针对低资源语言（如藏语）情感分析数据稀缺问题，探索通过高资源语言（汉语）预训练模型进行迁移学习的方法。

个人职责与工作内容：

1.数据构建与预处理：收集汉语情感评论数据集（微博、电商评论，共20万条），使用LabelStudio进行情感标注（积极/消极/中性，标注一致性Kappa=0.85）；对藏语语料（来自西藏新闻网，5万条）使用GoogleTranslate进行平行句对对齐，筛选对齐准确率90%的句对1.2万条。

2.模型设计与实现：基于BERT-base模型设计跨语言迁移框架，通过共享编码层参数实现汉语-藏语特征对齐；使用PyTorch实