邢波(卡内基梅隆大学机器学习系副主任)的这场talk是一场非常insightful的报告,这场报告的主要点是围绕我们能不能像当年麦克斯韦统一电磁学一样来只用几个方程式就能统一现在众多的ML/AI算法。最后给出了展望:进入这个ML/AI领域的人不必是专家,或者对这方面有丰富知识的人,他们可以从一个最简单的equation开始,然后不断的向上加东西,就像玩乐高一样,然后创造出非常好的,有用的结果。

摘要: 在处理从数据实例、知识、约束、奖励、对手到不断增长的任务范围内的终身相互作用的广泛经验中,当代ML/AI研究已经产生了数以千计的模型、学习范例、优化算法,更不用说无数的逼近启发式、调优技巧、黑箱神谕,以及以上所有这些的组合。这些成果在推动该领域快速发展的同时,也使得对现有ML技术的全面掌握变得越来越困难,使ML/AI产品的标准化、可重复使用、可重复、可靠和可解释的实践以及进一步开发的成本变得非常高,如果可能的话。在这篇演讲中,我们从损失、优化求解器和模型架构等方面,给出了一个简单而系统的ML蓝图,为学习提供了一个统一的数学公式与所有的经验和任务。该蓝图提供了对各种ML算法的整体理解,指导使用ML以可组合和机械的方式创建问题解决方案,以及用于理论分析的统一框架。

成为VIP会员查看完整内容
36

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
台湾大学林轩田机器学习书籍《从数据中学习》,216页pdf
谷歌机器学习速成课程中文版pdf
专知会员服务
142+阅读 · 2019年12月4日
【课程】概率图模型,卡内基梅隆大学邢波
专知会员服务
67+阅读 · 2019年11月4日
【CMU】机器学习导论课程(Introduction to Machine Learning)
专知会员服务
58+阅读 · 2019年8月26日
清华大学《高级机器学习》课程
专知
34+阅读 · 2020年7月21日
2019年Google最新中文版《机器学习速成课程》分享
深度学习与NLP
15+阅读 · 2019年9月1日
视频+PPT▍AutoML技术现状与未来展望
36大数据
6+阅读 · 2019年2月21日
资源 | 谷歌开源AdaNet:基于TensorFlow的AutoML框架
极市平台
4+阅读 · 2018年11月1日
清华朱军教授:机器学习未来的几大挑战与目前进展
DeepTech深科技
4+阅读 · 2018年10月29日
NYU陈溪博士:运筹学与机器学习的融合交叉
AI科技评论
6+阅读 · 2018年7月21日
Arxiv
20+阅读 · 2019年11月24日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
4+阅读 · 2018年9月11日
VIP会员
微信扫码咨询专知VIP会员