招生状态：招生中
课时安排：1周在线科研+14天面授科研+5周在线论文指导
适合人群
对人工智能/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；
建议选修: Python编程与数据处理。
项目收获
1. 1周在线小组科研学习+14天线下面授科研+5周在线论文指导
2. 项目报告
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
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导师于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，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。
导师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-E Grid Optimization Competition中排名前10，2022年获选为IEEE院士。
