Kaynaklar | PAKDD 2019 Konuk Konuşmacı Prof. Jennifer Neville Ders Paylaşımı
PAKDD, veri madenciliği alanındaki en eski ve en önde gelen uluslararası konferanslardan biridir. Araştırmacılar ve endüstri uygulayıcıları için KDD ile ilgili alanlarda yeni fikirleri, orijinal araştırma sonuçlarını ve pratik geliştirme deneyimlerini paylaşmaları için uluslararası bir forum sağlar.
15-17 Nisan tarihleri arasında 23. PAKDD 2019, görkemli bir şekilde Makao'da düzenlendi.Ayrıca, AI Araştırma Enstitüsü size canlı bir yayın sunmak için olay yerine gitti.
Video görüntüleme adresi: https://ai.yanxishe.com/page/meeting/71
Aynı zamanda, veri madenciliği ile ilgilenen öğrenciler için bir WeChat topluluğu hazırlayacağız.Bir WeChat asistanı ekleyebilir ve sizi WeChat grup sohbetine davet etmesine izin verebilirsiniz.
Topluluk kullanıcılarına geri vermek için takip ediyoruz Bazı misafir öğretmenler PPT verilerini alın, indirme adresi olabilir Orijinal metni oku seçeneğine tıklayın elde edin.
Konuyu paylaş
İlişkisel Yapay Zekaya Doğru - ağlar üzerinden öğrenmenin iyi, kötü ve çirkinliği
Konuk Bilgisi
Jennifer Neville şu anda Purdue Üniversitesi Bilgisayar Bilimi ve Veri Bölümü'nde doçenttir. Doktora derecesini 2006 yılında University of Massachusetts Amherst'ten aldı ve 19. SIAMSDM'nin (SIAM Uluslararası Veri Madenciliği Konferansı) program komitesi başkanlığını yaptı. 2015'ten 2018'e kadar AAI İcra Komitesi üyesi olarak görev yaptı. Aynı zamanda 2016 yılında ACMWSDM (ACM Uluslararası Web Arama ve Veri Madenciliği Konferansı) program komitesinin başkanlığını yaptı. 2012 yılında DARPA CSSG (DARPA Bilgisayar Bilimleri Çalışma Grubu) üyeliğine seçildi. Akademik çalışmalarında 100'den fazla akran değerlendirmesi ve 7500'den fazla alıntı var. Araştırmasının odak noktası, sosyal ağlar, bilgi ağları ve fiziksel ağlar gibi karmaşık pratik sorunları çözmek için makine öğrenimi ve yapay zeka teknolojileridir.
Konuyu paylaş
Son 20 yılda, grafikler, ağlar ve diğer ilişkisel veri türleri için makine öğrenimi yöntemleri üzerine çok sayıda araştırma yapılmıştır. Daha geleneksel makine öğrenimi yöntemlerinin bağımsızlık varsayımlarının ötesine geçerek, ilişkisel modeller artık başarıyla yararlanabilmektedir. genellikle varlıklar arasındaki ilişkilerde gözlemlenen ek bilgiler. Özellikle, ağ modelleri, özellikle bireysel veriler seyrek olduğunda, kullanıcı ilgi alanları, davranışları ve etkileşimleri hakkındaki tahminleri iyileştirmek için ilişkisel bilgileri kullanabilir. Bununla birlikte, ödünleşim, heterojenliğin, Kısmi gözlemlenebilirlik ve büyük ölçekli ağ verilerinin birbirine bağımlılığı, çeşitli algoritmik ve istatistiksel zorluklar nedeniyle verimli ve tarafsız yöntemler geliştirmeyi zorlaştırabilir. Bu konuşmada, ilişkisel öğrenme için kullanılan birkaç genel yaklaşımı araştırırken bu konuları tartışacağım. büyük ölçekli sosyal ve bilgi ağları. Ek olarak, p Modellerin kişiselleştirilmiş çevrimiçi sistemlerde yaygın kullanımı, mahremiyet, toplulukların kutuplaşması ve yanlış bilginin yayılması için olası etkileri tartışacağım.
Veri ekran görüntüsü
Tıklamak Orijinal metni okuyun indirme sayfasına giriliyor
