罗 宇泰

在麦吉尔大学中曾荣获/担任：

• 麦吉尔物理黑客马拉松参与者
• 麦吉尔人工智能学会会员
• 麦吉尔人工智能协会 2022 年冬季 MAIS 202 训练营参与者
• 2022年夏季普罗米修斯实验室成员
• 2023 年夏季暑期研究助理，由 Carlos Oliver（Jerome Waldispühl 教授的博士）指导
• 2022 年秋季 COMP 206-软件系统概论助教。

在麦吉尔大学经历简介：

2021 年秋季，我转学到麦吉尔大学，并于 9 月参加了 Dphi 主办的数据科学训练营。 在训练营期间，我分阶段参加了Python的四个部分的学习项目：Pandas在数据分析领域的应用、Numpy和数据可视化入门、NLP自然语言处理入门和讲解、人工智能入门 分别。 同样在 11 月，我报名参加了麦吉尔大学物理黑客马拉松，我和我的队友参加了一个基于物理模型和计算技术的人脸识别项目。 在秋季学期，我还加入了麦吉尔人工智能协会，学习和练习我在人工智能和机器学习领域的编码技能。
 2022 年夏天，我加入了 Joseph Vybinal 教授领导的 Prometheus 实验室。 在实验室，我从事一个名为“多智能体合作的理论策略”的项目，并撰写了我的第一篇学术报告，名为“确保多智能体系统中的数据安全”。
2022 年秋季，我在 COMP 561 中进行了自己的计算生物学项目，其中我根据 DNA 物理特性和机器学习技术对转录因子结合进行了预测。 与此同时，在同一学期，我成为了 COMP 206 的助教，并与 Joseph D'silva 教授一起工作。
2023 年夏天，我成为一名研究成员，与 Carlos Oliver（Jérôme Waldispühl 教授的学生）一起研究结构生物学人工智能主题，其中我帮助他和其他实验室成员开发了一个深度学习包，以简化数据集创建和模型评估 用于蛋白质结构的深度学习。(ProteinShake)。
2023年秋季，我在麦吉尔正式学习自然语言处理（COMP 550）、计算机视觉（COMP 558）和通用机器学习（COMP 551）。 在 COMP 550 中，我通过在文本分类中融合无监督对比学习来进行自己的最终项目。 同时，我还完成了 COMP 551 和 COMP 558 的团队项目。

在渥太华大学中曾荣获/担任：

• 2020年秋季和2021年冬季两学期院长荣誉名单
• 2020 年秋季和 2021 年冬季两个学期的优秀奖学金（国际学生）
• 中国学生学者联谊会学术部副部长

在渥太华大学中的经历简介：

我于2020年秋季学期进入渥太华大学，并担任渥太华大学CSSA学术部副部长。 我的工作包括为一年级学生规划学术活动。 我和下属（部门12人）共同策划了20个不同学科的学习小组，包括高等数学、计算机编程、微观宏观经济学等。同时，我们在中旬前为学习小组成员组织了免费问答环节。 学期或期末考试，帮助他们解决学术问题和考试准备。 每次考试后，我们都会收集学生的成绩详细信息和反馈，并召开学术部门会议来讨论和分析我们的工作差距和盈余。 此外，在渥太华大学两个学期结束时，由于优异的学习成绩，我被列入院长名单并获得了优秀国际学生奖学金。

麦吉尔人工智能协会 2022 年冬季 MAIS 202 训练营中：

• 简要学习ML的理论和技术包括（初级）：
• 线性回归、梯度下降和正则化、逻辑回归和朴素贝叶斯分类
• 支持向量机、决策树和随机森林、主成分分析和 K 均值
• 多层感知器和反向传播
• 卷积神经网络和循环神经网络
• 应用程序和机器学习管道

图像搜索算法数据科学训练营中：

学习包括:

• 系统学习pandas（python）在统计和数据分析方面的理论和应用（包括但不限
• dataframe、series、aggregation function等pandas核心知识）。
• 研究NumPy在数据科学中的原理和应用，并进一步拓展数据可视化。
• 学习NLP及相关机器学习技术，了解AI在自然语言处理和嵌入模型中的应用（包括但不限于NLP的应用、NLP工作流程、词嵌入模型、下游ML/DL任务等）
• 可解释的AI，了解ML模型如何在决策阶段快速反应（包括黑盒、模型解释策略、SHAP、ELI5、Skater、Azure ML、What-if Tool等）

普罗米修斯夏季实验室中：

研究包括：

• 多智能体系统与组织的理论研究。
• 设计 MAS 的安全方法（信息和网络完整性、可用性、机密性处理程序和策略）。
  基于无线自组织网络(MANET)的MAS网络设计和优化在代理连接和通信中的应用

基于 DNA 物理特性的转录因子结合预测（COMP 561中：

内容包括：
提取正例和未结合位点、获取DNA物理特性、应用机器学习模型估计转录因子结合位点等

2023 年夏季深度学习模块包研究中：

• 贡献包括：
• 以往蛋白质结构与功能预测深度学习模型文献综述
• 研究现有深度学习软件（Alphafold）如何模拟蛋白质折叠和展开过程。
• 帮助规划我们的包的模块化结构，确保其可扩展和可维护。
• 帮助编写单元测试和集成测试，以确保我们包的可靠性。
• 帮助使用其他数据集验证模型，以确保准确性和稳健性。
• 帮助设定基线并测试班级的表现随着时间的推移而提高