ICML 2019 Tutorial 《主动学习:理论到实战》, 180页PPT带你从入门到精通

【导读】主动学习,是今年 ICML上比较热门的方向,这几年,研究者越来越关注小样本,无标记的数据如何快速标记,或者样本缺失的问题,而主动学习可以在大量无标记数据中选择最佳的数据进行标记,扩展标签的数据。在昨天的ICML2019 Tutorial环节,来自芝加哥丰田技术研究所(TTIC)的Robert Nowak 教授和威斯康辛大学麦迪逊分校(University of Wisconsin-Madison) 的Steve Hanneke跟大家交流了《主动学习:理论到实战》的当前进展。


【报告简介】


近年来,机器学习领域有了很大的进步,但主要是在定义明确的领域中,使用大量带有人类标签的训练数据。机器可以识别图像中的物体并翻译文本,但它们必须接受比人一生所能看到的更多的图像和文本的训练。生成必要的训练数据集可能需要大量的人力工作。Active ML旨在通过设计学习算法来解决这一问题,该算法能够自动自适应地选择信息最丰富的数据进行标记,这样人类的时间就不会浪费在标记无关、冗余或琐碎的示例上。本教程将概述一些应用,并介绍主动机器学习的基本理论和算法。将特别关注可靠的主动学习算法,并量化减少学习所需的标记训练数据。


【作者信息】


Robert Nowak (University of Wisconsion-Madison) (威斯康辛-麦迪逊大学)

Robert Nowak在威斯康辛大学麦迪逊分校(University of Wisconsin-Madison) 担任Nosbusch工程教授,他的研究重点是信号处理、机器学习、优化和统计。


Steve Hanneke (TTIC)

Steve Hanneke是芝加哥丰田技术研究所(TTIC))的研究助理教授。他的研究探索了机器学习的理论:设计新的学习算法,能够从更少的样本中学习,理解交互式机器学习的好处和能力,开发迁移学习和终身学习的新视角,并重新审视学习理论基础上的基本概率假设。Steve于2005年在UIUC获得计算机科学学士学位,2009年在卡内基梅隆大学获得机器学习博士学位,并发表了一篇关于主动学习理论基础的论文。


链接:

http://nowak.ece.wisc.edu/ActiveML.html


请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“AML2019” 就可以获取《最新报告的下载链接~ 


【报告内容简介】

-END-

专 · 知

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI知识资料!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成!550+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

展开全文
Top
微信扫码咨询专知VIP会员