科研项目
招生状态：招生中
开课时间：2023-7-1
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、深度学习、计算机视觉、高性能计算、智能科学与技术等专业或对上述专业感兴趣的学生。
学生需要具备微积分、线性代数、概率论与数理统计基础，并能够熟练使用Python编程。
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ReferenceLetter
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
课题面向对计算机、机器学习、人工智能领域感兴趣的高中生和大学生，结合学生校内所学知识量身打造，将以独立且完整的形式介绍联合学习的基本内容。
在本课题中，教授会从联合学习的基础领域开始讲解，从监督学习和训练模型优化切入，并逐渐从集中式机器学习向分布式机器学习进行过渡。
课题将涵盖联合学习的基本架构和算法，介绍对联合学习算法进行设计分析时所需的主要工具，讲解现有的计算框架，并结合自动驾驶等案例体现联合学习的实战应用。针对未来有意从事人工智能、机器学习相关行业及科学研究的学生，本课题将提供必要准备和坚实基础。
项目大纲
监督式机器学习和训练方法简介
机器学习优化方法
分布式机器学习：架构和系统阐述
联邦学习：基本算法
联邦学习：高级分析和计算工具
项目回顾与成果展示
论文辅导
导师介绍
Soummya卡内基梅隆大学(CMU)终身正教授
Soummya教授于2010年获卡内基梅隆大学电气与计算机工程博士学位。2010年6月至2011年5月，他在美国新泽西州普林斯顿大学电气工程系担任博士后研究员，目前是卡内基梅隆大学电气与计算机工程终身教授。
他的研究兴趣包括大规模网络系统、随机系统、多智能体系统和数据科学中的决策，以及在信息物理系统和智能能源系统中的应用。导师于2016年获得CMU院长早期职业奖，2016年获美国自动控制委员会理论类最佳论文奖，2020年带领CMU团队在ARPA-EGridOptimizationCompetition中排名前10，2022年获选为IEEE会士。
报名方式: 回复关键词「背景提升」