數理科技課題（共15個(ge) ）
1.數據分析課題 (研究經濟金融，心理，醫療健康等問題）
2.健康，營養(yang) ，公共衛生心理學課題
3.醫學課題
4.生物課題
5.理論數學課題
6.物理課題
7.環境科學課題
8.機器人課題
9.機械設計、自動化課題
10.經濟金融課題
11.統計商業(ye) 分析
12.計算機與(yu) 數學
13.計算機與(yu) 生物
14.計算機與(yu) 物理
15.機器學習(xi) 、人工智能課題
人文藝術課題（共15個(ge) ）
1.心理學
2.曆史課題
3.美國種族和移民問題
4.語言學和社會(hui) 發展
5.藝術史課題
6.國際關(guan) 係
7.哲學課題
8.藝術作品集
9.人文寫(xie) 作大師課
10.政治和法律課題
11.教育學課題
12.美國政治與(yu) 曆史
13.氣候變化
14.能源與(yu) 環境保護
15.可持續發展
課題項目介紹
| 課題簡介： | |
| 1 | 氣候變化，能源與環境保護與可持續發展基礎課程 |
| _ | 該課題帶領學生了解與物理，環境科學，生物科學和社會科學相關的研究方法，設計可行的研究實驗。同時也可以了解工業化國家和發展中國家在環境保護這個問題上不同的看法；了解氣候和天氣的區別，了解量性研究和質性研究的重要性，了解全球變暖對環境，經濟和社會的影響。
這節課很適合對大氣化學，天氣預報，環境科學，環境工程，公共衛生以及國際關(guan) 係感興(xing) 趣的學生。學生需要有比較好的英文基礎以及基本的數學知識。 |
| _ | _ |
| 2 | 氣候變化，能源與(yu) 環境保護與(yu) 可持續發展高階課程 (10-12年級） |
| _ | 該課題帶領學生了解環境變化的本質和原因以及與(yu) 環境變化，實驗，模型等相關(guan) 的術語與(yu) 概念；分析研究全球解決(jue) 環境問題的策略和措施。課上，學生不僅(jin) 能學到高階科學術語和概念，了解全球變暖對海洋以及空氣的影響，分析研究二氧化碳，甲烷排放對環境的影響，還能了解新能源的種類以及優(you) 缺點等。
這門課適合對大氣化學，天氣預報，地理，環境科學，可持續發展，環境科學，公共衛生，人類行為(wei) ，數據分析以及國際關(guan) 係感興(xing) 趣的學生。 |
| 課題簡介： | |
| 3 | 美國和中國教育的比較視角 |
|
_ |
這個(ge) 項目適合對國際教育、全球化和不平等感興(xing) 趣的高中生。學生能夠用批判的眼光來看待教育在社會(hui) 中的作用。本課題的主要圍繞問題包括：如何看待和比較不同的教育體(ti) 係?為(wei) 了解決(jue) 這個(ge) 問題，本課題將考察美國和中國的教育結構，特別關(guan) 注教育如何塑造年輕人的未來。具體(ti) 來說，本課題會(hui) 探索美國和中國的學校如何根據社會(hui) 階層、種族/民族、移民(移民)地位和性別來塑造青少年的結果。
這門課程的首要目標是讓學生學會(hui) 批判性地分析不同形式的學校教育及其對社會(hui) 的影響。學生將學習(xi) 使用各種搜索引擎進行學術文獻搜索，進行係統的文獻回顧。學生還將使用標準的辦公軟件，如Word和PowerPoint。這會(hui) 為(wei) 大學的課程做良好的鋪墊，幫助學生掌握寫(xie) 作論文的知識。 |
| 課題簡介： | |
| 4 | 機器人學習(xi) |
|
_ |
機器人學技術除了類人形機器人的研究以外，還擴展到了工業(ye) 領域的各行各業(ye) ：無人駕駛，無人工廠到醫療手術、教育和服務行業(ye) 。計算機的持續發展以及摩爾定律的延續，使人工智能離人們(men) 生活越來越近，結合機器人技術，人工智能可以不隻是在互聯網和虛擬場景幫助人類，而且可以在真實物理世界幫助人們(men) 創造更好的生活。智能時代的技術迭代飛快，需要學生有著前沿廣闊的眼界和先進的知識體(ti) 係。
本課程涉及計算機科學和機械工程兩(liang) 個(ge) 領域。學生可以學到計算機編程知識和人工智能模型設計，以及機器人的硬件設計和控製技術。 |
| 課題簡介： | |
| 5 | 曆史上曾不被重視的領域 |
|
_ |
該課題帶領學生一起探索Wild West，以及“figurative frontiers” ，比如太空探索，投票權，生育權，民權，性別，種族以及科技等等。
通過課題學習(xi) 研究與(yu) 探討，學生們(men) 不僅(jin) 會(hui) 對曆史文化有更廣泛更深刻的了解，而且還能夠批判辯證地思考探討曆史現象以及提出對現在與(yu) 未來的預測。 |
| 課題簡介： | |
| 6 | 常見臨(lin) 床疾病研究，健康和營養(yang) |
|
_ |
該課題帶領學生一起搜集分析關(guan) 於(yu) 身體(ti) 健康和營養(yang) 相關(guan) 的文獻，教授學生利用美國權威公共數據庫進行臨(lin) 床疾病，健康學，營養(yang) 學，環境等方麵的研究。
這個(ge) 領域的課題非常適合喜歡營養(yang) 學（nutrition），健康科學（health science），公共衛生（public health），生物醫學（pre-Med），心理學 （psychology）的學生。 |
| 13 | 醫療信息係統，數字化醫療，醫療保健分析 |
|
_ |
該課題帶領學生利用美國權威公開數據庫進行健康信息係統學，健康認知，數字化醫療等課題研究。
類似課題適合對商學院-健康管理 （Healthcare Management)，商學院-信息係統管理（management information system)，商學院-醫療保健分析（healthcare analytics) 感興(xing) 趣的學生。 |
| 14 | 機器學習(xi) |
|
_ |
該課題應用機器學習(xi) 分析現有數據且預測結果。通過學習(xi) 該課題，學生能將數據科學運用到研究以及任何科學分析。
這個(ge) 課題非常適合對數據科學感興(xing) 趣的學生。 |
| 課題簡介： | |
| 9 | 圖片生成 (Image Generation)，醫療圖片生成，圖片風格轉化，醫療圖片風格轉化 |
|
_ |
帶領學生學習(xi) 先進的圖片生成模型 (變分自動編碼器，對抗生成網絡，流模型，擴散模型等)。融匯最新發表於(yu) 相關(guan) 領域頂會(hui) 技術解決(jue) 新興(xing) 問題，利用權威公開數據集驗證解決(jue) 方案。
學生所需基礎依科研目標而定。一般而言，有基礎線性代數和概率知識以及接觸過解決(jue) 問題型編程項目最佳。 |
| 10 | 強化學習(xi) 在遊戲，AI醫療，製造業(ye) ，自動化係統，推薦係統等領域的應用 |
|
_ |
該課題帶領學生學習(xi) 主流強化學習(xi) (穀歌Deep Q-Network，確定性策略梯度，馬爾科夫決(jue) 策過程，Actor-Critic等)。從(cong) 相關(guan) 領域頂會(hui) 成熟技術出發，站在巨人的肩膀上研究新興(xing) 跨領域問題，利用權威公開數據集驗證解決(jue) 方案。學生所需基礎依科研目標而定。
需要一定隨機過程的知識以及接觸過解決(jue) 問題型編程項目的基礎。 |
| 11 | DL(深度學習(xi) )和ML(機器學習(xi) )方向 –設計基於(yu) 非監督，半監督，弱監督學習(xi) 方法來改進眾(zhong) 多科學子領域中數據緊缺的問題 |
|
_ |
該課題帶領學生學習(xi) 主流非監督，半監督，弱監督自學習(xi) 方法。研究數據短缺對具體(ti) 科學子領域的影響，進而設計相應解決(jue) 方案促進學科發展，利用權威公開數據集驗證解決(jue) 方案。
學生所需基礎依科研目標而定，最好有一定線性代數和概率的基礎，以及基本的編程技能。 |
| 12 | 利用並優(you) 化高性能的深度學習(xi) 模型以改進眾(zhong) 多學科中的分類問題的預測 |
|
_ |
該課題帶領學生學習(xi) 主流深度學習(xi) ，如卷積神經網絡，Transformer模型，圖神經網絡等。研究並優(you) 化深度學習(xi) 模型進一步推動深度學習(xi) 及下遊學科的發展，並利用權威公開數據集驗證方案。
學生所需基礎依科研目標而定，最好有一定線性代數和概率的基礎，以及基本的編程技能。 |
| 13 | 研究圖像識別，目標檢測，以及圖像分割在跨學科領域中的應用 |
|
_ |
該課題帶領學生學習(xi) 圖像識別，目標檢測，圖像分割方法。改進或適配其方法用於(yu) 解決(jue) 跨學科的問題，最後利用權威公開數據集驗證解決(jue) 方案。
學生所需基礎依科研目標而定，最好有基本的編程技能。 |
| 課題簡介： | |
| 14 | 人工智能在物體(ti) 圖像識別中的應用 |
|
_ |
該課題會(hui) 介紹人工智能以及人工神經網絡在物體(ti) 圖像識別中的應用，通過數據，研究分析重要的理論知識，比如梯度下降法(gradient descent)，邏輯回歸 (logistic regression)，卷積 (convolution)等。在學習(xi) 完基礎知識後，學生可以開始複雜的人工神經網絡學習(xi) 並製作物體(ti) 成像作品。該課題與(yu) 計算機科學，數據科學以及數學專(zhuan) 業(ye) 緊密相關(guan) ，與(yu) 生物，醫療，地球科學和藝術也相關(guan) 。
學生必須學過矩陣和微分方程，強烈建議有一定的編程知識。這節課會(hui) 用到Wolfram Mathematica，但學生不需要提前學習(xi) Wolfram Mathematica。 |
| 課題簡介： | |
| 15 | 通過分子動力學設計並分析分裂工程堿基編輯器CRISPR/Cas13係統 |
|
_ |
教授學生通過三維晶體(ti) 結構分析Cas13蛋白折疊，並通過蛋白質一級結構以及晶體(ti) 結構分析可能的分裂性Cas13蛋白設計（通過之前的Cas9分裂蛋白）從(cong) 而為(wei) Cas13-scRNA conditional regulation做出先前條件。
適合生物工程，生物化學，分子生物學，化學的學生。學生需要編程基礎（python）以及學習(xi) 過高中生物和化學。 |
| 16 | 通過P3DOCK蛋白與(yu) RNA相互作用從(cong) 而分析出tiRNA與(yu) 阿爾茲(zi) 海默症標物tau蛋白相分離分子相互作用理論 |
|
_ |
教授學生通過二級結構分析tiRNA結構以及通過RNA Composer做出晶體(ti) 結構，並通過Alphfold分析出tau蛋白能量級以及可能的分子相互作用。並用晶體(ti) 結構導入P3DOCK分析出蛋白和RNA相互作用以及分子反應。運用理論分析出實驗中tiRNA與(yu) tau蛋白的相分離可能性。
學生需要編程基礎（python）以及學習(xi) 過高中生物和化學。 |
| 17 | 通過Martini 粗粒度分子動力學模型研究與(yu) 阿爾茲(zi) 海默症標物tau蛋白與(yu) RNA binding protein 相分離 |
|
_ |
教授學生通過Alphafold分析出tau蛋白以及RNA binding protein能量級以及可能的分子相互作用，並且通過Martini 3 進行粗粒度建模，並且在Martini力場進行分子動力學模擬從(cong) 而分析實驗結果並且得出理論。
適合生物工程，生物化學，分子生物學，化學專(zhuan) 業(ye) 的學生。學生需要編程基礎（python）以及學習(xi) 過高中生物和化學。 |
| 課題簡介： | |
| 18 | 多種分類算法及其性能的比較 |
|
_ |
教授學生利用美國權威公開數據庫進行多種分類算法學習(xi) ，並比較不同算法的運算性能。學生會(hui) 掌握獲取數據和分析數據的多種方法，掌握研究流程，技巧以及英文論文寫(xie) 作技能。
該課題適合對數據科學(Data Science )，機器學習(xi) (Machine Learning)，醫療保健分析(Healthcare Analytics)，人工智能(Artificial Intelligence)，商業(ye) 分析(Business Analysis)感興(xing) 趣的學生。 |
| 課題簡介： | |
| 19 | 生物醫療，流行病分析 |
|
_ |
該課題帶領學生利用公共數據和杠杆數據分析 (leverage statistical analysis)，研究醫療健康相關(guan) 問題 (比如糖尿病，新冠，癌症，阿爾茨海默氏病等)，疾病趨勢 (disease trends)，和生物標誌物 (Biomarker)。
該課題適合對公共醫療，生物醫療科學和醫藥感興(xing) 趣的學生。學生需要有非常強的數學基礎，必須已經學過AP統計。 |
| 20 | 數據科學 |
|
_ |
該課題帶領學生運用公共數據資源以及杠杆數據分析 (leverage statistical analysis) 對任何學生感興(xing) 趣的領域進行數據分析 (比如醫療，金融，環境，教育等)。
該課題適合對數據科學和工程學感興(xing) 趣的學生。學生需要很強的數學基礎，必須學過AP統計，基礎計算機語言 (Python或者R)和數據科學基礎課程。 |
| 課題簡介： | |
| 21 | 關(guan) 於(yu) 物理過程以及現實生活的數值模擬 |
|
_ |
|
| 22 | 機器學習(xi) /數據科學 |
|
_ |
|
大學錄取的競爭(zheng) 逐年激烈，錄取標準也一再提高。以現在的錄取標準來說，沒有一個(ge) 學生會(hui) 僅(jin) 僅(jin) 因為(wei) 學習(xi) 成績好而被名校錄取，因此高中生們(men) 開始尋找其他機會(hui) 來展示自己的學術實力，其中最主要的兩(liang) 種方式，就是科研和競賽。
高中生們(men) 開始參加科研項目和各類競賽，以科研成果和競賽獲獎等作為(wei) 申請的亮點，從(cong) 而增加名校申請的競爭(zheng) 力。
機構的課題項目是一個(ge) 完整的學術培訓流程，從(cong) 入門開始，帶領學生獨立完成整個(ge) 項目，不斷修改完善，直到取得成果。高中生對於(yu) 課題項目經驗很少，很多同學對於(yu) 整個(ge) 過程都是一頭霧水。
機構的老師從(cong) 入門開始，首先講解高等教育中的課題內(nei) 容，在學生有基礎了解後，開始係統的訓練學生科研能力。科研能力包括了一係列的技能，例如閱讀文獻、選題開題、收集數據、R 語言分析數據等等。這些訓練是超出了高中階段普通學生的學習(xi) 範圍的，學生們(men) 很少有機會(hui) 接觸。
機構的課題指導老師，都是美國名校的畢業(ye) 生，擁有碩士和博士等高等學位，對於(yu) 科研課題有著豐(feng) 富的一手經驗。在他們(men) 的指導下，機構的學生們(men) 可以快速的完成高質量課題項目，並獲得高級別的成就，輕鬆打敗海量同屆申請者，占領申請製高點！
【競賽報名/項目谘詢+微信：mollywei007】
評論已經被關(guan) 閉。