招生状态：招生中
开课时间：2023-5-20
课时安排：7周在线小组科研+5周论文辅导，教授全程参与
适合专业
项目适合人工智能、数据科学、统计学等专业学生。
学生需要具备微积分、概率论与数理统计基础，同时会使用Python编程语言。
项目收获
1. 7周在线小组科研学习+5周论文指导学习 共125课时
2. 学术报告
3. 优秀学员获主导师Reference Letter
4. EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等级别索引国际会议全文投递与发表指导（可用于申请）
5. 结业证书
6. 成绩单
项目介绍
“多臂强盗”问题是概率论中的一个经典问题，亦是深度强化学习中的重要模块。人们针对解决此类不确定性序列决策问题，提出了“多臂强盗”算法框架。
近年来这一算法框架因优异的性能和较少的反馈学习等优点，在推荐系统、信息检索到医疗保健和金融投资等诸多应用领域中受到了广泛关注。本课题正是以此框架为核心内容，学生将在参与的过程中深入了解算法的基础模型及应用，将认识到被广泛使用的上置信界算法（Upper Confidence Bound，简称UCB）及汤普森采样算法（Thompson Sampling Algorithms）。
导师还将讲授自身在该领域的最新研究成果。
项目大纲
多臂强盗问题的基础介绍
随机多臂强盗模型
上置信界（UCB）算法
贝叶斯强盗策略与汤普森采样算法
算法应用于实施，算法性能分析
多臂强盗算法在推荐系统中的应用
学术研讨1：教授与各组学生探讨并评估个性化研究课题可行性，帮助学生明晰后续科研思路
学术研讨2：学生将在本周课前完成程序设计原型（prototype）及伪代码（Pseudocode），教授将根据各组进度进行个性化指导，确保学生优质的终期课题产出
项目成果展示
论文指导
导师介绍
OsmanCMU计算机科学学院终身正教授
Osman教授现任是卡内基梅隆大学(CMU)计算机科学学院的终身正教授。此前他是CMU CyLab的博士后研究员，2011年秋季他还在亚利桑那州立大学担任访问博士后学者，后于2011年获得马里兰大学的电气和计算机工程博士学位。
研究重点是计算系统的建模、分析和性能优化，并使用应用概率、网络科学、数据科学和机器学习的工具。在数据科学和机器学习的背景下，他正在研究使用顺序样本(例如，多臂机器人)的统计推断和决策，以及弹性分布式机器学习。
在网络科学方面，他有广泛的兴趣，包括网络物理系统的健壮性，重点关注关键基础设施系统、安全可靠的大规模自组织网络设计、日益关注物联网的新兴应用、以及复杂网络中的传染过程，重点关注病毒、(错误)信息和意见传播的建模、分析和控制。 同时，还是IEEE的高级成员，CIT院长早期职业奖学金获得者，IBM学术奖获得者，以及ICC 2021和IPSN 2022的最佳论文奖获得者。
【竞赛报名/项目咨询请加微信：mollywei007】
