创新之都芝加哥！
美国伊利诺理工大学！
-----开放给国际生的暑期科研及课程！
在刚刚过去的2019年暑期，美国伊利诺理工大学（国家一级大学）首次为国际生开放了为期四周的科研选修课程。该课程属于我校学位项目内暑期课程，课程原方案为期8周，共3个学分的学习。为了适应国际生的暑期时间，调整至4周时间，3学分，学时不变。该课程同时对本校在校学生开放。
不同于游学和专业夏校，参与暑期课程的同学们学习紧凑、科研深入、成果丰富多彩。大家与来自不同学校、不同国家的同学共同学习，交朋友。同时，在芝加哥这一国际都市，同学们体验不同文化，参与夏季文化系列活动，打开眼界，收获丰富饱满。
整个暑期科研集训项目，强调团队合作的重要性，成员的组成尽可能考虑团队成员间的互补性，采用课堂教学、小组研讨、课题实践、实验室动手、演讲、竞赛等多种形式，应用所学知识。团队中成员可以互相学习对方的长处，发挥自己的专业和能力优势，共同完成任务。这种教学方式，是伊利诺理工特有的培养学生综合能力的科研课程方式，充分体现了学校交叉学科教学的精神，让学生从很早就开始了解在实际的科研和行业工作中，专业人士和科学家们是如何真实的协同工作的。
因此，针对科研类项目，在申请中，我们会希望学生提交个人介绍CV，即使针对这样的短期项目，极其负责任的导师们也希望能了解学生学习的各项科研能力，例如软件知识，科研经历，专业诉求等等相关信息，以便能让导师更好的根据学生的能力和知识层次分配小组，而不是需要一个学生具备所有条件。相信你一定能够其中找到自己最适合的位置。
美国伊利诺理工大学位于创新之都芝加哥，美国伊利诺理工大学（Illinois Institute of Technology，简称IIT），始创于1890年，美国一级大学(National Tier 1)，是一所实力雄厚的顶级综合性私立大学，崇尚小班精英制教育，在诸多研究和学术领域具有享誉世界级的声望。
作为与芝加哥大学，西北大学齐名的“芝加哥高等学府的三大巨头”，美国伊利诺理工大学的校园拥有顶尖的教学设施和优美的校园环境，被评为美国最受学生欢迎大学第六名。
芝加哥市，是美国第三大城市，位于北美大陆的中心地带，是美国最重要的铁路、航空枢纽，同时也是美国主要的金融，文化，制造业，期货和商品交易中心，有美国“工业之母”的美称，因其先进的科技，发达的经济，包容的文化被誉为第二个美国。
学校位置得天独厚，离市中心2站地城铁，平时保证学生安静的学习环境，同时，又能非常便捷的到达最繁华的经济、文化、旅游中心，方便文化学习与交流。
同时，这个暑假，同学们将全部入住被评为全美最好及最安全宿舍的State Street Village(SSV), 配备独立卫浴，保安等，这也是该宿舍首次对暑期国际项目开放。
申请条件：
语言： 托福 70分以上，雅思6.0以上，大学CET4 550分以上，CET6 500分以上，符合以上任何一条即可
语言成绩没达到上述标准者，须参加IIT组织的语言内测。
学习成绩：GPA3.0以上
费用：
1、4周项目费用约5000美金，含学费、住宿、餐饮、保险、交通卡、学生卡（已经减免IIT为每位本科生提供2500美元的奖学金 ）。同学门可使用校内所有开放资源，包括24小时实验室，图书馆，学生活动中心，运动中心，游戏室等。
2、凡参加该项目的地大本科生。地大予以20000元人民币/人的奖学金资助。
关于报名
2020年暑假项目预报名截止时间2020年1月25日。即日起请将本人姓名、性别、出生日期、所在学院、专业、学号、语言成绩（托福或者雅思）、GPA、电子邮箱（非QQ邮箱）手机号码发送至studyabroad_cug@126.com进行预报名。
正式报名截止时间为2020年3月1日。（预报名结束后将统一组织参加项目的同学进行网申、参加语言考试和缴费等。）
证书：
理学院项目提供项目完成证书，成绩单，学分为大学选修课学分，如未来申请类似专业，学分可转。
Summary: Illinois Tech College of Science (CoS) Research and Course Offerings
July 13- August 7, 2020 (4-week session)
Course Title |
Instructor |
Dept./College |
Max. Enrollment |
Pre-Requisites? |
Big Data Computing 大数据计算 |
Ioan Raicu |
Computer Science/ CoS |
12 |
Required: Computer Programming, Data Structures, and Computer Systems; Useful background knowledge: Computer networks, architecture, operating systems, compilers, distributed systems, artificial intelligence, and algorithm analysis |
Elements of Drug Design Against Pathogenic Bacteria抗病原菌的药物设计要素（靶向） |
Oscar Juarez |
Biology/ CoS |
10 |
None. |
Biometrics生物测定 |
Xin Chen |
Computer Science/ CoS |
20 |
Working knowledge of Matlab or C/C++ or willingness + time to pick it up quickly |
Computer Security Laboratory 计算机安全实践课 |
Kevin Jin |
Computer Science/ CoS |
20 |
CS458 (Information Security) or equivalent; familiarity with some programming languages, such as C, C++, Java, or Python; Contact the instructor if you are interested in this course and have reasonably strong CS background in security or networking/systems. |
Mathematics for K-8 Teachers 小学初中的数学教学 |
Gorjana Popovic |
Applied Mathematics/ CoS |
20 |
None. |
Chemistry of Nanomaterials: The Science Behind Sustainable Energy and Environment 纳米材料化学：可持续能源和环境背后的科学 |
Yuanbing Mao |
Chemistry/ CoS |
20 |
General Chemistry I & II, Organic Chemistry I & II, Analytical Chemistry, or Instrumental Analysis, Physical Chemistry I, Inorganic Chemistry. |
Introduction to Statistical Learning and Big Data统计学习与大数据导论 |
Aleksey Zelenberg |
Applied Mathematics/ CoS |
20 |
Instructor’s permission. Preferred prerequisites are an introductory course in statistics and and some very basic familiarity with matrices and vectors, |
Synthesis and Testing of Advanced Battery Materials 课程名称： 先进电池材料的合成与测试 |
Carlo Segre |
Physics/ CoS |
10 |
None. |
An Overview to Machine Learning 机器学习概论 |
Yuhan Ding |
Applied Mathematics/ CoS |
15 |
Calculus I(Limit, Derivative), II(Univariate Integration, Series), III(Partial Derivative), Linear Algebra |
课程名称：大数据计算 Big Data Computing
课程代码：SCI 498
导师：Dr. Ioan Raicu
时间：7月13日-8月7日
学分：3学分
课程描述:
大数据只是算法？你要是这么想，那可就错了。大数据的学习和应用，不仅仅包含存储、计算和分析等一系列技术，也要与计算机本身相结合。
数据密集型分布式系统实验室课程为期四周(http://datasys.cs.iit.edu)，加入本课程的学生将与其他参与BigDataX REU项目的本科生一起(http://datasys.cs.iit.edu/grants/BigDataX/，超大规模大数据计算本科生研究体验项目)，深入大数据计算领域前沿研究。我们将探索解决方案并学习设计原理，从而构建基于网络的大型计算系统以支持数据密集型计算。我们的讨论将通常基于已部署的云计算系统，如Amazon EC2和S3、OpenStack、雅虎的Hadoop、Apache Spark、TensorFlow以及其他系统。该课程包括讲座、头脑风暴讨论，以及让学生亲身体验大数据计算系统的实践作业，用超级芯片亲手搭建超级计算机。
导师Ioan Raicu在分布式系统，网格计算，超级计算，云计算上有很深造诣，在该领域具有极高的学术地位。
课程计划：
The plan is to build a cluster of computers using low power ARM-based compute boards from Raspberry Pi (https://www.raspberrypi.org), such as the one depicted on the right. The cluster would be built by the students, and then used by the students to complete hands-on assignments. There will be several assignments from the cluster configuration, installation, and programming that will be conducted on this cluster.
学习方法：
先修课：
Computer Programming, Data Structures, and Computer Systems are required (typically completed in the first one or two years of an undergraduate computer science degree). Computer networks, architecture, operating systems, compilers, distributed systems, artificial intelligence, and algorithm analysis are all useful courses that will allow students to understand the presented topics in more depth.
课程名称：抗病原菌的药物设计要素（靶向）
Elements of drug design against pathogenic bacteria
课程代码：SCI 497
导师：Oscar Juarez, PhD
时间：7月13日-8月7日
学分：3分
课程描述:
该项目是一个极其有趣的生物与化学类项目，涉及到药物对人体如何起效，如何进行合理的药物设计等，学生与我校在校同学一起进行学习与实验。在项目的中，甚至可以对自己的组织细胞进行分析。
本课程将向学生介绍药物开发的主要概念，特别是针对人类病原菌的药物设计。学生将进行操纵细菌、分子靶点生化分析，以及分子结构分析的微生物实验，从而确定可能的抑制位点。
课程目标：
课程结束后，学生将能够辩证分析广泛领域内生物化学、微生物学和细胞 生物学中关于药物设计方面的科学文献。除此之外，学生学到的知识将帮助你：
充分显现和提纯蛋白质
使用光谱光度测量方法测试酶的活性
探讨潜在药物的抑病机理
使用计算工具预测药物功效
筛选药物对病原菌活性和毒性的影响
课堂形式：
This ELEVATE course is structured as a laboratory class complemented by seminars and lectures.
Students will be assigned experimental work that should be completed in the time frame planned. The experiments are designed for students to collect their own samples, which will be tested in the upcoming weeks. This allows students to an actual idea of how is it that research in the drug development field is conducted.
学习方法：
Classroom discussions
Student group work
Written assignments
Presentation
Laboratory
评分：
先修课：无
课程名称：生物特征测定学 Biometrics
课程代码：
导师：Dr. Xin Chen
时间：7月13日-8月7日
学分：3学分
课程描述:
当今社会，生物特征识别技术深入到人们生活的角角落落，从指纹识别、人脸识别、虹膜识别都越来越多的应用到人们的日常生活中。在这样一个安全意识与需求都越来越强的社会中，基于生物特征的身份认证和识别已经成为不可或缺的重要研究方向。该研究在工业和政府迫切需求和资金支持的推动下，生物特征识别的研究和技术继续迅速发展。
本课程教授主流的生物特征识别技术、生物特征识别的基本模式和计算机视觉基础、生物特征识别系统的科学测试和评估方法、面部识别的深入研究，以及对当前围绕该技术的隐私和社会/伦理问题的调查。本课程还包括文献阅读、短文写作，以及当前生物特征识别技术的实践体验。
课程目标：
完成本课程后，学生将掌握
（1）与生物特征识别相关的基本概念和术语；
（2）三种主要生物特征识别方法及实际操作。人脸识别、指纹识别、虹膜识别；
（3）生物特征识别技术目前最领先的研究课题；
（4）生物特征识别技术的社会影响；
（5）基础技术，包括计算机视觉、模式识别和2D / 3D图像处理。
学习方法：
Classroom discussions
Student group work
Written assignments
Presentation
Laboratory
先修课：
Working knowledge of Matlab or C/C++ or willingness + time to pick it up quickly
课程名称：计算机安全实验课 Computer Security Laboratory
课程代码：
导师：Done (Kevin) Jin
时间：7月13日-8月7日
学分：3学分
课程描述：
计算机安全是所有大型机构和个人都非常关心的问题，因其在网络世界的炙热程度，许多美国学校在近几年都将计算机及网络的安全课程从计算机软件专业中分离出来，建立了诸如Cyber Security这类的专业。美国伊利诺理工大学（IIT）有幸在2019年全美最佳网络安全硕士专业评选中，获得第 1 名的殊荣。
2020年暑假，IIT为国际生开放的计算机安全实验课，通过实践来学习的关于应用计算机及网络安全的课程。学生将亲自实施真正的网络攻击并且重新建立受攻击系统来了解网络和系统安全的当代新技术与新格局。
本课程分为4个周期，每周期都有一个从理论到实践的关于计算机安全的主题。我们将首先学习各种网络攻击媒介背后的理论知识以及对策，然后通过真实世界中的亲身实践和应用获得深刻的理解。主题包括但不限于网站安全（比如：SQL注入式攻击，跨站点脚本攻击），软件安全（比如：缓冲区溢出攻击），网络安全（比如：数据包检测和干扰，防火墙，针对协议攻击），还有密码学（比如：公共密钥加密）等。
课程目标：
探讨现代系统和网络安全中存在的一系列问题和矛盾；
深刻理解安全系统和网络中的问题、概念、威胁，以及操作中的挑战和解决方 法；
通过亲身实践和工具应用进行评估、防御、调查系统和网络，来学习真实世界 安全准则。
学习方法：
Classroom discussions
Student group work
Written assignments
Presentation
Laboratory
评分：
先修课：
CS458 (Information Security) or equivalent
Contact the instructor if you are interested in this course and have reasonably strong CS background in security or networking/systems.
It is assumed that the students are familiar with some programming languages, such as C, C++, Java, or Python.
课程名称: Algebra for K-8 Teachers
课程代码：SCI 497/498
导师: Gorjana Popovic
课程说明：
越来越多的人认识到国内外教育的差别，同样是数学大国，美国和中国的教育方法有什么差别呢?也有越来越多的有志于从事小学和初中教育的年轻人希望更多的了解美国的教育方法和思路，但是却苦于没有长时间在美国学习的条件，也没有致力于该领域的短期的干货项目。
2020年，我校将专业课程第一次对国际生开放，该课程为我校专门培养小学初中数学老师高级人才的学位课程之一，国际同学将与美国数学教育学同学一起学习该课程。在这里，你不仅能接触到美国最先进的教学理念，和有经验的教授进行探讨，还能结交和志同道合的国内外朋友。
简介：代数是通过与其他主题领域相关（如几何、统计和概率）的问题解决法展开教学的。通过探索和推测数字关系及函数，学生能够发展代数思维：进行与撤销（涉及反思性或反向代数推理的代数思维，逆向处理问题/程序）；构建表示函数的规则（通过定义明确的函数规则，识别输入与输出相关的表示情况的模式并组织其数据）；抽象计算（培养独立于已使用特定数字进行计算的能力）。就学生思考和理解数学概念方面，本课程将讨论课堂示例和实际学生作业。对有志于加入小学及初中的数学教育，包括培训，奥数教育或者想了解教学的思路方法，这门课，是非常好的选择。
课程目的:
教学形式：
Lecture
Classroom discussions
Student group work
Written assignments
课程大纲：
Week 1:
Algebra and Algebraic Thinking
Algebra as a Language to Represent Relationships
Algebra as Generalization of Arithmetic
Week 2:
Abstracting from Computation: From Algorithms to Symbolic Algebra
Abstracting from Computation: Building on Number Sense
Abstracting from Computation: Building on Number Theory
Week 3:
Algebraic Generalizations
Algebraic Generalizations about Structure
Expressing Generalizations about Functional Relationships
Week 4:
Symbolic Representation and Manipulation
Linking Multiple Representations of Algebraic Situations
先修课： 无
课程名称：纳米材料化学：可持续能源和环境背后的科学
The Science Behind Sustainable Energy and Environment
课程代码：CHEM 497
导师：Yuanbing Mao
时间：7月13日-8月7日
课程描述：
本课程旨在向学生介绍纳米材料的主要化学性质及其在可持续能源和环境方面的应用。这一课程概述了纳米材料合成和表征的现状以及发展前景，涵盖了纳米材料在可持续能源和环境方面的广泛技术应用，以及目前世界上最先进的技术和发展。学生将通过教师设计的课程科研项目应用所学知识，是一门有实用性、前瞻性并有乐趣的课程。
课程目标：
1.学生将熟悉当代纳米科学和纳米技术。
2.学生将学习纳米材料的现代合成技术。
3.学生将学习使用最先进的仪器表征纳米材料。
4.学生将更加深入地理解纳米材料在可持续能源和环境方面的技术应用。
5.学生将通过课程项目学习如何应用所获得的关于纳米材料的化学知识，以实现可持续能源和环境。
6.学生将体验把化学与纳米材料的能源和环境应用联系起来并交流结果。
7.学生将提高在纳米科学和纳米技术领域中解决问题的能力。
8.学生将通过课程项目提升演讲技巧。
学习方法：
Classroom discussions
Student group work
Written assignments
Presentation
Laboratory
招生对象：
Undergraduate students majoring in chemistry, physics, materials science, engineering, or other similar fields.
先修课：
General Chemistry I & II, Organic Chemistry I & II, Analytical Chemistry, or Instrumental Analysis, Physical Chemistry I, Inorganic Chemistry.
课程名称：统计学习与大数据导论
Introduction to Statistical Learning and Big Data
课程代码：SCI 497
导师：Aleksey Zelenberg
时间：7月13日-8月7日
学分：3学分
课程描述：
该项目学习是揭示复杂数据隐藏关系的一系列工具，它也是机器学习和大数据分析的重要理论框架。
本课程将以项目为导向，介绍统计学习中的一些重要概念，例如线性回归、分类、重采样方法和模型选择。为了促进统计学习技术在科学和工业中的应用，学生将在统计软件R中实施方法并进行分析。该课程包括实验室部分，学生将以小组形式研究来自金融、体育、人口统计学、遗传学、犯罪统计等方面的数据。
在2019第一次为国际生开放类似项目期间，来自工程、商学、计算机、生物等多个领域的学生，与我校在校大学生一起建组学习。有同学说，想不到数学学习还会这么有趣，做的科研项目实用并极富成就感，对其专业学习和职业发展都有了新的认识。
课程目标：
1. 学生将学习统计学习所需的必备数学知识，包括多元微积分、线性代数以及概率。
2. 学生将学习统计学习的基本术语和概念，包括监督学习和无监督学习、回归与分类问题、拟合质量测量、偏差-方差权衡以及K最近邻分类器。
3. 学生将学习简单线性回归和多元线性回归，并能够将结果与K最近邻算法回归进行比较。
4. 学生将学习各种分类方法，如逻辑回归和线性/二次判别分析。
5. 学生将学习使用两种重采样方法：用于模型评估和模型选择的交叉验证法，以及用于精度测量的自举法。
6. 学生将学习在统计软件R中实现各种想法并研究实际数据集。
课程大纲：
1. Background 20%
a. Statistics b. Matrices and vectors c. Overview of statistical learning d. Programming in R
2. Regression 20%
a. Mathematical Preliminaries b. Simple Linear Regression c. Multiple Linear Regression d. Linear Regression vs. KNN e. Lab
3. Classification 20%
a. Mathematical Preliminaries b. Logistic Regression c. Linear (and quadratic) Discriminant Analysis d. Comparing models e. Lab
4. Resampling 20%
a. Mathematical Preliminaries b. Cross-validation c. Bootstrapping d. Lab
5. Model selection 20%
a. Mathematical Preliminaries b. Subset selection c. Shrinkage methods d. Dimension reduction e. Lab
学习方法：
Classroom discussions
Student group work
Written assignments
Presentation
Laboratory
先修课：
Instructor’s permission. Preferred prerequisites are an introductory course in statistics and and some very basic familiarity with matrices and vectors, but most of the important mathematics needed will be thoroughly reviewed.
课程名称： 先进电池材料的合成与测试
Synthesis and Testing of Advanced Battery Materials
课程代码：SCI 497-5xx
导师： Carlo Segre
时间：7月13日-8月7日
学分：3学分
课程介绍：
可再生能源的存储问题，在电动汽车正在推广的当下，无疑成为科学界和工业界最炙手可热的话题。本小组研究课程将带领你学习世界最先进的电池技术，实际接触世界最先进的电池，并进行合成实验及测试实验。
导师Dr. Carlo U. Segre 是全球知名的物理学家，其研究领域综合了物理与化学的最尖端领域。美国物理学会成员，美国化学学会成员，材料研究学会成员，电化学学会成员，美国科学促进会 （研究员），Sigma Xi（IIT分会主席2005-2016；北中部地区主任2016-2019），国际衍射数据中心 （研究员），IIT同步辐射研究和仪器中心（CSRRI）负责人，美国阿贡实验室材料研究中心（MRCAT）主任
课程目标：
• 学习合成锂离子电池材料。
• 学习使用XRD（X射线衍射）和SEM（扫描电镜）对制备材料进行表征。
• 学习制备电池电极和纽扣电池。
• 学习分析电池的电化学性能。
• 阅读、理解和展示电池研究论文及摘要。
• 能够展示并记录电池实验的结果。
教学计划：
1. 13 - Jul 17 Synthesize initial materials and characterize using XRD and SEM
2. Jul 20 - Jul 24 Prepare electrodes and cells and begin electrochemical testing
3. Jul 27 - Jul 31 Learn to analyze XRD and electrochemical data
4. Aug 03 - Aug 07 Prepare final poster using electrochemical, XRD, and SEM data
学习方法：
• Laboratory
• Classroom discussions
• Student group work
• Presentation and Poster
实验室学习：
You will be required to be in the laboratory each day of the week, working under the supervision of a Ph.D. student on a project which has been mutually agreed upon.
评分：
Grading for this course will be based on student presentations during group meetings, laboratory work, and a final poster presentation.
先修课： 无
课程名称：机器学习概论 An Overview to Machine Learning
课程代码：SCI 497/498
导师：Dr. Yuhan Ding
时间：7月13日-8月7日
学分：3学分
课程描述：
如果你是小白，对大数据一无所知，仅仅学了高数，看着高深的理论望而却步，但又想探索大数据之谜，把专业知识与大数据分析结合怎么办？机器学习概论（An Overview to Machine Learning）这门研究型暑期集训课程，应该是你的完美之选。导师Yuhan Ding，从大数据的分类方法入手，理论加实践结合的生动教学，带你一起遨游大数据算法的初阶谜林，带你拨云见日，面对专家也能侃侃而谈！
该课程在2019年暑假第一次为国际生开放后，受到了同学的热烈欢迎，不同于枯燥的理论课程，这次暑期课程中，来自不同专业背景的同学，运用自己不同的专业背景，共同完成了5个专题项目。看似概论的课程，却因实际项目的组合让人触类旁通，紧张兴奋，收获颇丰！即使不是数学或者计算机专业的学生，也颇为受益。
本课程将学习机器学习领域的概念及技术。在介绍机器学习及其术语后，讲授用于探索大量数据的算法，如线性回归、逻辑回归、K近邻算法（KNN）、基于树的方法、支持向量机和关联规则等。此外，本课程还将介绍机器学习的实际应用。学生将使用热门的统计软件包R应用不同技术来学习该课程。课程内，学生需要递进难度的共同完成5个项目，并完成基于对社会调研的真实数据的结业答辩项目。
This course will provide an introductory look at concepts and techniques in the field of machine learning. After covering the introduction and terminologies to machine learning, the algorithms used to explore the large quantities of data such as linear regression, logistic regression, KNN, tree-based methods, support vector machines and association rules are covered. In addition, the applications in real life are also introduced. The students learn the material by implementing these different techniques using the popular statistical software package R.
课程目标：
机器学习概述及统计软件R的学习。
对数学概念的理解和机器学习中的常用方法。
为应用使用R的每种方法提供实践经验。
通过书面作业报告锻炼沟通技巧。
学习方法：
Classroom discussions
Student group work
Written assignments
教学框架
Introduction: overview of machine learning, introduction to R
Processing and visualizing data: data types, data quality, data preprocessing, measures of similarity, visualization
Linear Regression: simple linear regression, multiple linear regression
Decision trees: decision tree induction, overfitting, evaluating performance, comparing classifiers
Classification: rule-based classifiers, K-nearest-neighbor classifiers, Bayesian classifiers, support vector machines, neural networks, ensemble methods, random forest
Resampling Methods: cross-validation, bootstrap, subset selection
Association Rules: frequent itemset generation, rule generation, compact representation, evaluation, categorical attribute
任务安排：
5 homework assignments will be given. Each will be graded. Students will be required to submit programming assignments which include code implementation and written reports. The grade for assignments will be based on the quality of the program implementation and the quality of the written reports.
结业答辩：
There will be one final project to implement the algorithms to real-life datasets. Students will give a presentation and poster to illustrate their work.
学习态度要求：
It is important that you do the assigned readings and homework problem before class. Active participation in the class is expected.
评分：
The end grade in the course will be based on the following criteria:
45% Homework Assignments (Average)
55% Final Project
先修课：
Calculus I(Limit, Derivative), II(Univariate Integration, Series), III(Partial Derivative), Linear Algebra
