CMU數據科學與統計學科研專題：“橫行賭場” 基於統計分析原理的不確定性過程決策分析

招生狀態：招生中

開課時間：2023-5-20

課時安排：7周在線小組科研+5周論文輔導，教授全程參與(yu)

適合專(zhuan) 業(ye)

項目適合人工智能、數據科學、統計學等專(zhuan) 業(ye) 學生。

學生需要具備微積分、概率論與(yu) 數理統計基礎，同時會(hui) 使用Python編程語言。

項目收獲

1. 7周在線小組科研學習(xi) +5周論文指導學習(xi) 共125課時

2. 學術報告

3. 優(you) 秀學員獲主導師Reference Letter

4. EI/CPCI/Scopus/ProQuest/Crossref/EBSCO或同等級別索引國際會(hui) 議全文投遞與(yu) 發表指導（可用於(yu) 申請）

5. 結業(ye) 證書(shu)

6. 成績單

項目介紹

“多臂強盜”問題是概率論中的一個(ge) 經典問題，亦是深度強化學習(xi) 中的重要模塊。人們(men) 針對解決(jue) 此類不確定性序列決(jue) 策問題，提出了“多臂強盜”算法框架。

近年來這一算法框架因優(you) 異的性能和較少的反饋學習(xi) 等優(you) 點，在推薦係統、信息檢索到醫療保健和金融投資等諸多應用領域中受到了廣泛關(guan) 注。本課題正是以此框架為(wei) 核心內(nei) 容，學生將在參與(yu) 的過程中深入了解算法的基礎模型及應用，將認識到被廣泛使用的上置信界算法（Upper Confidence Bound，簡稱UCB）及湯普森采樣算法（Thompson Sampling Algorithms）。

導師還將講授自身在該領域的最新研究成果。

項目大綱

多臂強盜問題的基礎介紹

隨機多臂強盜模型

上置信界（UCB）算法

貝葉斯強盜策略與(yu) 湯普森采樣算法

算法應用於(yu) 實施，算法性能分析

多臂強盜算法在推薦係統中的應用

學術研討1：教授與(yu) 各組學生探討並評估個(ge) 性化研究課題可行性，幫助學生明晰後續科研思路

學術研討2：學生將在本周課前完成程序設計原型（prototype）及偽(wei) 代碼（Pseudocode），教授將根據各組進度進行個(ge) 性化指導，確保學生優(you) 質的終期課題產(chan) 出

項目成果展示

論文指導

導師介紹

OsmanCMU計算機科學學院終身正教授

Osman教授現任是卡內(nei) 基梅隆大學(CMU)計算機科學學院的終身正教授。此前他是CMU CyLab的博士後研究員，2011年秋季他還在亞(ya) 利桑那州立大學擔任訪問博士後學者，後於(yu) 2011年獲得馬裏蘭(lan) 大學的電氣和計算機工程博士學位。

研究重點是計算係統的建模、分析和性能優(you) 化，並使用應用概率、網絡科學、數據科學和機器學習(xi) 的工具。在數據科學和機器學習(xi) 的背景下，他正在研究使用順序樣本(例如，多臂機器人)的統計推斷和決(jue) 策，以及彈性分布式機器學習(xi) 。

在網絡科學方麵，他有廣泛的興(xing) 趣，包括網絡物理係統的健壯性，重點關(guan) 注關(guan) 鍵基礎設施係統、安全可靠的大規模自組織網絡設計、日益關(guan) 注物聯網的新興(xing) 應用、以及複雜網絡中的傳(chuan) 染過程，重點關(guan) 注病毒、(錯誤)信息和意見傳(chuan) 播的建模、分析和控製。 同時，還是IEEE的高級成員，CIT院長早期職業(ye) 獎學金獲得者，IBM學術獎獲得者，以及ICC 2021和IPSN 2022的最佳論文獎獲得者。