推荐丨周志华教授携10位技术大牛为你揭开人工智能的神秘面纱

继移动互联网之后，人工智能技术机器已经席卷全球，引爆了下一场信息革命，工业革命，医疗革命，金融革命。机器学习无疑人工智能领域目前最受关注的热点学科方向之一。了解机器学习的前沿发展，不仅对于相关领域的研究者和工程师有着积极意义，同时也对需要转型机器学习的相关机构和个人提供了极大的参考价值。

本次AIDL2《机器学习前沿》由中国人工智能学会（CAAI）主办，南京大学周志华教授担任学术负责人，并邀请到了机器学习领域重要分支的十余位著名学者作为特邀报告人。 参会者不仅可以收获专家们对其各自领域的基础知识和最新进展进行集中讲解，也可以获得跟顶尖专家交流的机会。

官网： caai-aidl.caai.cn

报名链接： http://m.grouplus.com/Ajvqdd

附：嘉宾简介

学术负责人：

周志华 南京大学教授

ACM Fellow(美国计算机学会会士)， AAAS Fellow （美国科学促进会会士）， AAAI Fellow（国际人工智能学会会士）， IEEE Fellow（国际电气电子工程学会会士），IAPR Fellow （国际模式识别学会会士）。中国人工智能学会机器学习专业委员会前任主任。南京大学计算机软件新技术国家重点实验室常务副主任。在一流国际期刊和顶级国际会议发表论文100余篇，被引用逾两万次，H-index 73，被列入计算机领域H-index最高的前100位学者。

特邀讲者（姓氏拼音为序）：

刘铁岩 微软亚洲研究院首席研究员

博士，IEEE 院士，ACM 杰出会员，CCF 高级会员。互联网经济与计算广告学研究组负责人。卡内基梅隆大学，中国科技大学和南开大学等学校的客座教授。他的研究兴趣包括：人工智能、机器学习、信息检索、数据挖掘等。他的先锋性工作促进了机器学习与信息检索之间的融合，被国际学术界公认为「排序学习」领域的代表人物。在国际顶级期刊和会议上发表相关论文70余篇。他持有40余项美国和国际专利。他的论文曾获得国际信息检索大会(SIGIR)最佳学生论文奖，和国际期刊《视觉通信和图像表示》的最高引用论文奖。

王立威 北京大学教授

博士, 主要研究领域为机器学习。在包括COLT, NIPS，JMLR, PAMI等权威会议期刊发表论文60余篇。2010年入选AI’s 10 to Watch，是首位获得该奖项的亚洲学者。2012年获得首届国家自然科学基金优秀青年基金，新世纪优秀人才。任NIPS等权威会议Area Chair，和多家学术期刊编委。

报告题目：《机器学习理论：回顾与展望》

摘要：衡量机器学习算法性能最重要的指标是其泛化能力。本次报告者，我将介绍机器学习中关于泛化能力的几个重要理论。首先介绍VC理论，该理论刻画了经验风险最小化算法的泛化能力。对于SVM和Boosting这类学习算法，margin理论描述了confidence与泛化的关系。我还将介绍algorithmic stability理论，这一理论说明所有具备训练稳定性的学习算法必然具有很好的泛化能力。最后，我将对深度学习算法进行讨论。包括深度网络的损失函数性质、随机梯度算法的鞍点逃逸，以及用算法稳定性理论阐述深度学习算法的泛化能力。

张长水 清华大学教授

智能技术与系统国家重点实验室学术委员会委员，清华大学自动化系教授、博士生导师， 智能技术与系统国家重点实验室副主任，自动化系主任。主要从事图像处理、信号处理、模式识别与人工智能、进化计算等研究领域以及和工业界的合作。任Pattern Recognition的编委（Associate Editor），“计算机学报”编委，中国人工智能学会常务理事。近年在国际期刊和会议上发表学术论文超过100篇，其中包括国际权威期刊Pattern Recognition，TNN，TKDE，IEEE Transaction on Multimedia，以及国际顶级会议IJCAI，AAAI，NIPS，ICML，ECML，SIGIR，CVPR等

郑宇 微软亚洲研究院主管研究员

博士，IEEE和ACM资深会员，微软亚洲研究院主管研究员，上海交通大学讲席教授，香港科技大学和香港理工大学兼职教授。2008年被评为Microsoft Golden Star。被《MIT科技评论》评选为全球杰出青年创新者（TR35）。2014年入选《财富》“中国40位40岁以下的商界精英”。他是城市计算（Urban Computing）、基于位置的社交网络（Location-Based Social Networks）和轨迹计算（Computing with Spatial Trajectories）三个领域的先驱和奠基人。发表学术论文近百篇，其中以主作者身份在ACM SIGMOD、KDD、TKDE等知名国际会议和刊物上发表论文50余篇，并四次获得最佳论文奖（如ICDE 2013、ACM SIGSPATIAL GIS 2010等）和一次最佳论文提名（UbiComp 2011）。他也是澳大利亚昆士兰大学、韩国GIST等大学的博士论文特邀评审专家和答辩委员会成员、英国伦敦大学学院（UCL）等高校的外请教职评议专家，以及多个欧美项目评审组的专家成员。

报告题目：多源数据融合技术及其在时空数据挖掘中的应用

摘要：多源数据融合是大数据和城市计算领域的核心技术，也是机器学习在人工智能2.0时代面临的新的挑战。本报告将现有多源数据融合技术分为三大类：基于阶段性的融合、基于特征的融合，以及基于语义的融合。其中基于特征的融合包括：特征拼接+正则化，以及基于深度学习的融合方法。基于语义信息的融合则包括: 多视角融合、基于概率依存性关系的融合、基于相似性的融合，以及基于迁移学习的融合。本报告将通过城市计算领域的实战案例来讲解各种方法的原理和应用方法。

朱军，清华大学计算机系长聘副教授

智能技术与系统国家重点实验室副主任、卡内基梅隆大学兼职教授。2001到2009年获清华大学计算机学士和博士学位，之后在卡内基梅隆大学做博士后，2011年回清华任教（破格副教授）。主要从事机器学习、贝叶斯统计等基础理论、高效算法及相关应用研究，在国际重要期刊与会议发表学术论文80余篇。受邀担任人工智能顶级杂志IEEE TPAMI、AI Journal的编委、《自动化学报》编委，担任机器学习国际大会ICML2014地区联合主席, ICML (2014-2017)、NIPS (2013, 2015)、UAI (2014-2017)、IJCAI（2015, 2017）、AAAI（2016, 2017）等国际会议的领域主席。获中国计算机学会青年科学家奖、国家优秀青年基金、中创软件人才奖等，入选国家“万人计划”青年拔尖人才、IEEE Intelligent Systems杂志评选的“AI’s 10 to Watch”、及清华大学221基础研究人才计划。

报告题目：贝叶斯学习前沿进展

摘要：贝叶斯方法是一类主要的统计方法，广泛用于机器学习、推理、决策等任务，通过多层次建模可以有效地考虑数据中普遍存在的不确定性和隐含结构。贝叶斯定理已被提出250多年。但是，在大数据环境下，贝叶斯方法仍面临多方面的挑战，包括理论、算法和应用。在这个报告中，我将介绍贝叶斯方法的前沿进展，包括：（1）正则化贝叶斯，为贝叶斯定理提供一个额外维度，可以有效考虑领域知识以及直接优化目标任务的性能；（2）可扩展的分布式和在线推理算法；（3）贝叶斯深度学习。

俞扬  南京大学副教授

强化学习专家。博士，南京大学副教授。主要研究领域为人工智能、机器学习、演化计算。于 2011年获得南京大学计算机系博士学位，随后加入南京大学计算机系、机器学习与数据挖掘研究所（LAMDA）从事科教工作。获2013年全国优秀博士学位论文奖、 2011年CCF优秀博士学位论文奖。多篇论文发表于Artificial Intelligence、IJCAI、AAAI、NIPS等人工智能国际顶级期刊和会议，获GECCO'11 Best Theory Paper、PAKDD'08 Best Paper、PAKDD’06数据挖掘竞赛冠军等论文和竞赛奖。任IJCAI’15高级程序委员、IJCAI'16宣传共同主席、IEEE ICDM'16宣传共同主席、ACML'16 Workshop共同主席。

报告题目：强化学习前沿

郭天佑 香港科技大学教授

香港科技大学教授，IEEE 院士。2004年获得IEEE Transactions on Neural Networks杰出论文奖。 2008年荣获教育部自然科学技术二等奖。他在核方法和支持向量机方面的研究在国际上有重要影响。

耿新 东南大学教授

博导、副院长，模式学习与挖掘（PALM）实验室（http://palm.seu.edu.cn/）主任，国家优青，江苏省杰青。主要从事模式识别、机器学习、计算机视觉等方面的研究。在重要国际学术期刊和会议发表论文五十余篇。现为CCF青年工作委员会执委，江苏省计算机学会理事、青年工作委员会主任，CCF人工智能与模式识别专委会、计算机视觉专委会委员，中国人工智能学会机器学习专委会、模式识别专委会委员，《Frontiers of Computer Science》青年编委。

报告题目：标记分布学习范式

摘要：标记分布学习是一种新型机器学习范式。在该范式中，每个示例不是与一个或者一组标记相关联，而是与一个标记分布相关联。一个标记分布覆盖所有可能的标记，并且明确给出每个标记描述示例的程度。在这一定义下，传统的单标记学习和多标记学习都可以看作标记分布学习的特例。现实世界中存在不少本身就具有标记分布信息的数据。更多情况下，标记分布信息不完整时，可通过先验知识或者机器学习方法生成完整的标记分布。因此，标记分布学习是一种相较传统学习范式更为泛化，并且具有广泛应用前景的新型机器学习范式。

叶杰平 滴滴研究院副院长

美国密歇根大学终身教授，密歇根大学大数据研究中心管理委员会成员，美国明尼苏达大学博士毕业，现任滴滴研究院副院长。NIPS, KDD, IJCAI, ICDM, SDM, ACML, and PAKDD. 他担任Data Mining and Knowledge Discovery, IEEE Transactions on Knowledge and Data Engineering, IEEE Transactions on Pattern Analysis and Machine Intelligence的编委. 2010年获得NSF CAREER Award。2010，2011，2012年分别获得KDD最佳论文提名，2013年获得KDD最佳论文奖。2014年获得ICML最佳学生论文奖。

于剑  北京交通大学教授

北京交通大学交通数据分析与挖掘北京市重点实验室主任，教授，博士生导师，中国计算机学会理事，中国人工智能学会理事，中国人工智能学会机器学习专业委员会常务委员,IEEE会员，International Journal of Fuzzy Systems编委, The Open Artificial Intelligence Journal 编委。他主持教育部重点项目、国家自然科学基金等科研项目,参加973项目。 2006年获得霍英东青年教师基金，2006年度入选教育部新世纪优秀人才支持计划。在国内外重要的学术杂志和学术会议上发表过40多篇论文（包括IEEE Trans. On Pattern Analysis and Machine Intelligence, IEEE Trans. On Image Processing，IEEE Trans. on Neural Networks, IEEE Trans. On Fuzzy Systems等），并曾获得第八届北京青年优秀科技论文一等奖。

官网： caai-aidl.caai.cn

报名链接： http://m.grouplus.com/Ajvqdd

本文系投稿稿件，作者：中国人工智能学会；转载请注明作者姓名和“来源：亿欧”；文章内容系作者个人观点，不代表亿欧对观点赞同或支持。