9月适合本科生、研究生的数据科学与统计研课题推荐

　　8月科研课题已经陆续开班，今天为大家推荐9月热报的数学与统计学院科研课题——“横行” 基于统计分析原理的不确定性过程决策分析，以如何利用算法在“多臂”游戏中取胜为例 【大学组】，该课题适合大学本科生、研究生参与学习，下面一块来看看具体课题内容。

　　一、项目背景

　　一个面前有N个机，事先他不知道每台机的真实盈利情况，他应该如何根据机器的操作结果做出反应，来使自身的收益较大化呢?——这个假设便是的“多臂强盗”问题的名字来源。实际上在机器学习被应用的领域当中，时时刻刻也都存在着这样的选择与决策情景：一个品牌针对其商品有着多款广告宣传，但不知道每一个用户对于每一种广告的接受程度;在投资中我们可能会面临多个项目，但并无法确认每个项目的具体回报率;亦或是在线零售商如何在不完全了解需求信息的背景下进行实时动态定价……

　　二、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(Multi-Armed Bandits，简称MAB，中文又译作“多臂”)。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较新研究成果。

　　三、项目大纲

　　多臂问题的基础介绍 Introduction to Multi-armed Bandits

　　随机多臂模型 Stochastic Multi-armed Bandits

　　上置信界(UCB)算法 The Upper Confidence Bound (UCB) Algorithm

　　贝叶斯强盗策略与汤普森采样算法 Bayesian Bandits and Thompson Sampling (TS)

　　算法应用于实施，算法性能分析 Algorithm implementation, performance analysis

　　多臂算法在推荐系统中的应用 Applications of Bandits in Recommendation Systems

　　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 Final Project Preparation Session I

　　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 Final Project Preparation Session II

　　项目成果展示 Final Presentation

　　论文指导 Project Deliverables Tutoring

　　四、导师介绍

　　Osman

　　卡内基梅隆大学 (CMU)终身正教授

　　Osman导师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。导师于2011年获得马里兰大学(University of Maryland at College Park, MD)的电气和计算机工程博士学位。导师的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。导师是IEEE的成员，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的较佳论文奖获得者。

　　五、项目收获

　　7周在线小组科研学习+5周不论文指导学习 共125课时

　　项目报告

　　学员获主导师Reference Letter

　　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)

　　结业证书

　　成绩单

　　六、招生说明

　　开始日期: 2023-09-30

　　课时安排: 7周在线小组科研学习+5周不论文指导学习

　　适合年级 (Grade): 本科生、研究生

　　适合专业 (Major): 人工智能、数据科学、统计学等专业学生

　　提示：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