蛋播视频一区,无码鲁丝一区二区,精品 久久 五月天,国产老熟女,五月草草在线观看,中文日韩欧美,情色一区二区三区,欧美日韩亚洲激情在线,亚洲制服在线香蕉

2020.11.19

在當(dāng)今“雙循環(huán)”的大背景下，全球已經(jīng)開始以信息技術(shù)為代表的第四次工業(yè)革命，人工智能成為新一輪科技革命和產(chǎn)業(yè)變革的核心驅(qū)動力，正推動著我們走入人工智能時代。深度學(xué)習(xí)是近年來人工智能發(fā)展最迅猛的領(lǐng)域之一，在算力、數(shù)據(jù)、算法三架馬車的有力驅(qū)動下，通過分層網(wǎng)絡(luò)獲取分層次的特征信息，從而解決了以往需要人工設(shè)計特征的重要難題。不單廣泛應(yīng)用于搜索引擎、電子商務(wù)、社交網(wǎng)絡(luò)等互聯(lián)網(wǎng)服務(wù)，還以勢如破竹之勢在語音識別、機器視覺、自然語言處理等一個個經(jīng)典的人工智能問題上取得實質(zhì)性進展。深度學(xué)習(xí)作為處理非結(jié)構(gòu)化數(shù)據(jù)的一種手段，走向大規(guī)模產(chǎn)業(yè)化應(yīng)用已成為從政策導(dǎo)向到行業(yè)共識的一致方向。為此，建立深度學(xué)習(xí)平臺助力產(chǎn)業(yè)應(yīng)用，加速支持產(chǎn)業(yè)智能化，也已經(jīng)成為當(dāng)前學(xué)術(shù)界和各行業(yè)最炙手可熱的研究應(yīng)用方向。

由北京大學(xué)光華管理學(xué)院商務(wù)統(tǒng)計與經(jīng)濟計量系主辦的“深度學(xué)習(xí)與統(tǒng)計學(xué)理論”研討會將于11月19日在北京大學(xué)線上、線下同步進行。

會議時間：

2020年11月19日 09:00-11:45

線下地點：

北京大學(xué)光華管理學(xué)院

線上平臺：

騰訊會議直播平臺

日程安排

08:30-09:00簽到

09:00-09:10開幕式

09:10-11:45 會議報告

（每個報告30分鐘，5分鐘提問。）

報名方式

請長按識別下方二維碼參與報名

或直接點擊文末“閱讀原文”報名

嘉賓陣容

01

報告題目

Prediction, Computation, and Representation---The Nature of Machine Learning

報告嘉賓

張志華

北京大學(xué)數(shù)學(xué)科學(xué)學(xué)院教授。之前曾經(jīng)先后任教于浙江大學(xué)和上海交通大學(xué)，任聘計算機科學(xué)教授。主要從事應(yīng)用統(tǒng)計、機器學(xué)習(xí)與人工智能領(lǐng)域的研究和教學(xué)。是國際機器學(xué)習(xí)旗艦刊物Journal of Machine Learning Research的執(zhí)行編委，并多次受邀擔(dān)任國際人工智能頂級學(xué)術(shù)會議的高級程序委員或領(lǐng)域主席。講授有網(wǎng)絡(luò)公開課《統(tǒng)計機器學(xué)習(xí)》、《機器學(xué)習(xí)導(dǎo)論》、《應(yīng)用數(shù)學(xué)基礎(chǔ)》和《強化學(xué)習(xí)》等。

報告摘要

機器學(xué)習(xí)的發(fā)展給統(tǒng)計學(xué)帶來了深刻的影響。Leo Breiman 在他發(fā)表于2001年的著名論文“Statistical Modeling: The Two Cultures”中首次討論了統(tǒng)計學(xué)和機器學(xué)習(xí)之間的文化差異，提出了統(tǒng)計學(xué)專注“Data Modeling Culture”，而定義機器學(xué)習(xí)為“Algorithmic Modeling Culture”。Bradley Efron在其2019年ISP(International Statistical Prize) lecture和隨后發(fā)表的論文“Prediction, Estimation, and Attribution”中再次發(fā)人深思地探討了經(jīng)典統(tǒng)計學(xué)和現(xiàn)代機器學(xué)習(xí)的分歧，他把機器學(xué)習(xí)定義為“Pure Prediction Algorithms”，而用“estimation”和“attribution”來刻畫傳統(tǒng)統(tǒng)計回歸方法。在這個報告中，我試圖用“prediction, computation, and representation”三元素來闡述機器學(xué)習(xí)的本質(zhì)。特別地，從“representation”角度來看待機器學(xué)習(xí)，表明它的發(fā)展貫穿著如何解決“dimensionality curse”和利用“dimensionality blessing”。深度學(xué)習(xí)則完美詮釋了這兩者之間的權(quán)衡，它也是迄今為止把“Data Modeling Culture”和“Algorithmic Modeling Culture”融為一體的最佳技術(shù)途徑。

02

報告題目

非參深度學(xué)習(xí)理論初探

報告嘉賓

高 尉

南京大學(xué)人工智能學(xué)院副教授，主要圍繞機器學(xué)習(xí)理論相關(guān)方面開展研究，在AIJ、COLT、ICML、NeurIPS等重要國際期刊/會議發(fā)表論文多篇。近年應(yīng)邀擔(dān)任IJCAI 2017-2020高級程序委員，以及ICML、NeurIPS、KDD等重要國際會議程序委員。擔(dān)任中國計算機學(xué)會人工智能與模式識別專委會委員、中國人工智能學(xué)會機器學(xué)習(xí)專委會委員、江蘇省人工智能學(xué)會副秘書長等。獲教育部自然科學(xué)一等獎 (排名第三)、CCF優(yōu)秀博士論文獎、江蘇省優(yōu)秀博士論文獎，入選微軟亞洲研究院青年學(xué)者“鑄星計劃”等。

報告摘要

深度學(xué)習(xí)近年來受到了人們的廣泛關(guān)注，當(dāng)前深度學(xué)習(xí)一般泛指參數(shù)化可微分構(gòu)件的深度神經(jīng)網(wǎng)絡(luò)，在諸多現(xiàn)實任務(wù)中取得了成功，同時也帶來了計算資源、人力成本、可驗證性等問題。課題組近年來致力于非參深度學(xué)習(xí)的研究，其基本構(gòu)建是非參數(shù)化、不可微分的隨機森林模型，非參深度學(xué)習(xí)在諸多任務(wù)中取得了與深度學(xué)習(xí)相當(dāng)?shù)男Ч?，特別對離散型學(xué)習(xí)任務(wù)往往表現(xiàn)出更好的效果。本報告將介紹我們最近在非參深度學(xué)習(xí)方面取得的理論初步進展，著重介紹收斂界的研究，在理論上指導(dǎo)非參深度模型的構(gòu)建。

03

報告題目

深度學(xué)習(xí)：從理論到算法

報告嘉賓

王立威

北京大學(xué)教授，智能科學(xué)系副主任。同時是清華大學(xué)交叉信息學(xué)院兼職教授。他的主要研究方向為機器學(xué)習(xí)理論。在頂級會議、期刊發(fā)表論文100余篇。他是TPAMI編委，NeurIPS, ICML領(lǐng)域主席。是首位入選AI’s 10 to Watch的亞洲學(xué)者。

報告摘要

我將介紹近期我們在深度學(xué)習(xí)理論方面的進展及其對算法設(shè)計的指導(dǎo)。我們首先從數(shù)學(xué)上證明，當(dāng)深度網(wǎng)絡(luò)充分寬，則從隨機初始點出發(fā)，（隨機）梯度下降法以很大概率能找到全局最優(yōu)點，并且為線性收斂速度?；诖死碚摻Y(jié)果，我們設(shè)計了二階優(yōu)化算法——Gram-Gauss-Newton算法，用以訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)。該算法具有二階收斂速度，并且每次迭代的計算復(fù)雜度與SGD相仿。

04

報告題目

Progressive Principle Component Analysis for Compressing Deep Convolutional Neural Networks

報告嘉賓

周 靜

中國人民大學(xué)統(tǒng)計學(xué)院副教授、應(yīng)用統(tǒng)計科學(xué)研究中心研究員，北京大學(xué)光華管理學(xué)院博士，研究方向為社交網(wǎng)絡(luò)、空間計量、模型壓縮等，在Journal of Business & Economic Statistics，Statistic Sinica，Science China Mathematics，Electronic Commerce Research and Applications，管理科學(xué)，營銷科學(xué)學(xué)報等國內(nèi)外核心期刊發(fā)表論文十余篇，編著《深度學(xué)習(xí)：從入門到精通》教材一本，主持國自科、北社科、統(tǒng)計局重點等多項省部級以上課題。擔(dān)任人民郵電出版社數(shù)據(jù)科學(xué)與統(tǒng)計·商業(yè)分析系列教材編委會委員。

報告摘要

In this work, we propose a progressive principal component analysis (PPCA) method for compressing deep convolutional neural networks. The proposed method starts with a prespecified layer and progressively moves on to the final output layer. For each target layer, PPCA conducts kernel principal component analysis for the estimated kernel weights. This leads to a significant reduction in the number of kernels in the current layer. As a consequence, the channels used for the next layer are also reduced substantially. This is because the number of kernels used in the current layer determines the number of channels for the next layer. For convenience, we refer to this as a progressive effect. As a consequence, the entire model structure can be substantially compressed, and both the number of parameters and the inference costs can be substantially reduced. Meanwhile, the prediction accuracy remains very competitive with respect to that of the baseline model. The effectiveness of the proposed method is evaluated on a number of classical CNNs (AlexNet, VGGNet, ResNet and MobileNet) and benchmark datasets. The empirical findings are very encouraging. The code is available at https://github.com/zhoujing89/ppca

End