学术动态

[11月18日]中国计算机学会人工智能与模式识别专委会走进高校系列报告会

发布人:cug发表时间:2017-11-16点击:

中国计算机学会人工智能与模式识别专委会走进高校系列报告会

会议通知

CCF-AI Series Lectures

中国地质大学(武汉)(第十三期)

20171118日(星期六)9:00-12:00

中国地质大学(武汉)北一楼学术报告厅

报告会主题

数据挖掘与机器学习

      数据挖掘与机器学习已广泛应用于各个学科领域(如计算机科学与技术、信息管理与信息系统、应用数学与统计、自动化过程与控制、矿产资源定量预测与评价等)。数据挖掘是指从大量数据中提取知识;机器学习则是指利用经验来改善计算机系统自身的性能。数据挖掘可以视为机器学习和数据库的交叉,它主要利用机器学习界提供的技术来分析数据,利用数据库界提供的技术来管理数据。数据挖掘是面向挖掘的任务,而机器学习是面向学习的技术,二者既有区别又有联系。为了更好地推动数据挖掘与机器学习学科专业领域的学术交流,促进本领域学者间的了解与合作,激发并永葆青年学者的科研激情,快速提升青年学者的学术水平,中国地质大学(武汉)计算机学院计划将于20171118日承办第十三期CCF-AI走进高校系列报告会。欢迎数据挖掘与机器学习相关领域的老师、学生、其他有兴趣者参加。期待与您相会在美丽的江城、美丽的地大!

 

报告会程序

08:30-08:40

签到

08:40-09:00

计算机学院院长王力哲教授致辞

09:00-10:00

特邀讲者:于剑,博士,北京交通大学教授

报告题目:机器学习:从公理到算法

10:00-11:00

特邀讲者:耿新,博士,东南大学教授

报告题目:机器学习中的标记分布与标记增强

11:00-12:00

特邀讲者:胡清华,博士,天津大学教授

报告题目:考虑数据分布特性的机器学习算法

执行主席:蒋良孝,博士,中国地质大学(武汉)教授

参会人员:数据挖掘与机器学习相关领域的老师、学生、其他有兴趣者

参会方式:免费参加,敬请光临。

报名方式:Emailljiang@cug.edu.cn 请于20171115日前将参会回执回复至该邮箱,邮件主题请注明CCF-AI走进中国地质大学(武汉)报告会回执”)

 

参会回执

姓名


职称/职务


电话


Email


工作单位


注:参会回执仅针对校外人员,本校人员无需提供。

 

特邀讲者:于剑

      6463.jpg

北京交通大学计算机学院教授,博士生导师,计算机科学系主任,交通数据分析与挖掘北京市重点实验室主任,中国计算机学会理事,中国计算机学会人工智能与模式识别专业委员会秘书长,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副主任。主要研究兴趣是机器学习、数据挖掘和自然语言处理等。著有学术专著《机器学习:从公理到算法》。

报告题目:机器学习:从公理到算法

报告摘要:在大数据时代,因应用需求的驱动,大量新机器学习方法不断产生。这些新算法理论依据各异,彼此之间的关系极其复杂,对使用者要求极高。但是,儿童的学习能力极高,却不能掌握现今机器学习的理论。是否能够提出一套符合人类认知的机器学习理论,是当前一个亟待解决的问题。本次报告将提出一个统一基于认知的机器学习公理化框架,其基本假设是:归哪类,像哪类;像哪类,归哪类。该公理框架可以推演出归类方法的三条设计原则,以统一的方式重新解释了数据降维、密度估计、回归,聚类和分类等问题,而且与日常生活中的认知原则一致。

特邀讲者:耿新

      http://www.liip.cn/ccfai2017/image/gengxin.png

东南大学计算机科学与工程学院教授、博导、副院长,国家基金委优青,江苏省杰青,模式学习与挖掘(PALM)实验室(http://palm.seu.edu.cn/)主任。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上发表论文五十余篇。现为CCF青年工作委员会执委,CSIG视觉大数据专委会副主任,IEEE计算机学会南京分会副主席,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:机器学习中的标记分布与标记增强

报告摘要:许多机器学习任务都可以泛化为对给定的示例预测不同标记的描述度(即标记描述示例的程度),而所有标记对一个示例的描述度构成该示例的标记分布,在以标记分布标注的数据集上学习的过程称为标记分布学习。现实世界中存在不少本身就具有标记分布信息的数据,而更多情况下,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,这一过程称为标记增强。标记分布学习方法配合标记增强方法能够有效匹配大多数有监督学习问题,具有广泛的应用前景。

特邀讲者:胡清华

http://tdam-bjkl.bjtu.edu.cn/img/experts/huqinghua.jpg

哈尔滨工业大学博士,香港理工大学博士后。目前任职于天津大学计算机学院,教授、博导、计算机学院副院长,机器学习与数据挖掘实验室负责人。CCF人工智能与人工智能与模式识别专委会委员,中国人工智能学会的理事、CAAI粗糙集与软计算专委会副主任。主要从事数据不确定性建模、多模态数据学习以及结构化任务的机器学习方面的研究,并致力于将基础研究成果应用于智能驾驶、灾害性空间天气预报和大型设备故障诊断。得到自然基金重点项目、国家优秀青年科学基金、973项目以及多个横向课题资助。先后在IEEE TKDEIEEE TFSIEEE TCYBIEEE TNNLS等期刊和IJCAIAAAIICCVCVPR 等会议上发表学术论文150余篇。

报告题目:考虑数据分布特性的机器学习算法

报告摘要:随着机器学习面对的数据规模不断扩大,如何针对数据的特性设计相应的学习算法变得越来越重要。数据在特征空间的概率分布信息是设计学习算法的重要信息,但遗憾的是很难获得高维空间中样本的统计分布,但数据在特征空间、类别上以及建模残差的某些弱统计信息还是可以通过数据提取的。本报告将简要分析如何获取此类信息,并在分类、回归和数据量化学习中如何融入数据的分布信息。

执行主席:蒋良孝

      DSCF4559.JPG

中国地质大学(武汉)计算机学院教授,智能地学信息处理湖北省重点实验室副主任。主要从事数据挖掘与机器学习等方面的教学和研究工作。在重要国际学术期刊和会议上发表论文四十余篇,著有学术专著《贝叶斯网络分类器:算法与应用》,申报国家发明专利6项,获批计算机软件著作权6项。先后入选教育部新世纪优秀人才支持计划、湖北省杰出青年人才计划、武汉市青年科技晨光计划。