【预告】中科院博士:迁移学习的发展与现状 | 公开课
来源:互联网 发布:c语言三个数字比大小 编辑:程序博客网 时间:2024/06/05 23:40
分享背景
▼
迁移学习伴随着最近几年的机器学习热潮,也成为了目前最炙手可热的研究方向。机器学习大牛Andrew Ng在2016年NIPS上提出“迁移学习将会是引领下一次机器学习热潮的驱动力”。
迁移学习强调通过不同领域之间通过知识迁移,来完成传统机器学习较难完成的任务。例如,传统机器学习依赖于大量标定数据来训练模型,当缺乏标定数据时,传统机器学习就很难得到泛化能力强的模型。此时,迁移学习就可以借助于其他相关领域的知识,来帮助训练更具有泛化能力的模型。迁移学习是解决标定数据难获取这一基础问题的重要手段,也是未来更好地研究无监督学习的重要方法。
建议预读文献
《A survey on Transfer Learning》
论文地址:http://ieeexplore.ieee.org/abstract/document/5288526/
A major assumption in many machine learning and data mining algorithms is that the training and future data must be in the same feature space and have the same distribution. However, in many real-world applications, this assumption may not hold. For example, we sometimes have a classification task in one domain of interest, but we only have sufficient training data in another domain of interest, where the latter data may be in a different feature space or follow a different data distribution. In such cases, knowledge transfer, if done successfully, would greatly improve the performance of learning by avoiding much expensive data-labeling efforts. In recent years, transfer learning has emerged as a new learning framework to address this problem. This survey focuses on categorizing and reviewing the current progress on transfer learning for classification, regression, and clustering problems. In this survey, we discuss the relationship between transfer learning and other related machine learning techniques such as domain adaptation, multitask learning and sample selection bias, as well as covariate shift. We also explore some potential future issues in transfer learning research.
《小王爱迁移》
系列文章地址:https://zhuanlan.zhihu.com/wjdml
分享提纲
▼
1.什么是迁移学习?
2.为什么要进行迁移学习?
3.迁移学习的基本类别
4.迁移学习代表性算法
5.深度学习与迁移学习结合
6.迁移学习最新进展
分享主题
▼
迁移学习的发展与现状
分享人简介
▼
王晋东,现于中国科学院计算技术研究所攻读博士学位,研究方向为迁移学习和机器学习等。他在国际权威会议ICDM、UbiComp等发表多篇文章。同时,也是知乎等知识共享社区的机器学习达人(知乎用户名:王晋东不在家)。他还在Github上发起建立了多个与机器学习相关的资源仓库,成立了超过120个高校和研究所参与的机器学习群,热心于知识的共享。个人主页:http://jd92.wang
分享时间
▼
北京时间11月4日(周六)晚20:00
参与方式
▼
扫描海报二维码添加社长微信,备注「王晋东」
复旦Ph.D沈志强:用于目标检测的DSOD模型(ICCV 2017)
极限元刘斌:深度学习在语音生成问题上的典型应用
搜狗文仕学:基于深度学习的语音分离
Video ++孙兆民:视频内容识别行业分析
悉尼科大王超岳:基于生成对抗网络的图像编辑方法
达观数据张健:文本分类方法和应用案例
清华Ph.D王书浩:基于深度学习的电商交易欺诈检测系统
Twitter工程师王东:详解YOLO2与YOLO9000目标检测系统
Kaggle比赛金牌团队:图像比赛的通用套路有哪些?
宜远智能刘凯:显著降低模型训练成本的主动增量学习
如果你觉得活动不错,欢迎点赞并转发本文~
▼▼▼
- 【预告】中科院博士:迁移学习的发展与现状 | 公开课
- 【预告】中科院博士:迁移学习的发展与现状 | 公开课
- 中科院博士:迁移学习的发展与现状 | 公开课
- 【迁移学习】中科院计算所王晋东:迁移学习的发展和现状
- 【回顾】迁移学习的发展和现状
- 微软重金收购Deis,容器技术的火热现状与未来展望 | 硬创公开课预告
- J2ME的现状与发展
- J2ME的现状与发展
- J2ME的现状与发展
- J2ME的现状与发展
- J2ME的现状与发展
- 《深度学习——基于Tensorflow的实战》公开课语音直播预告
- 深度学习的起源、发展和现状
- GIS的发展现状与趋势
- 软件测试的发展现状与前景
- RPC 框架的发展与现状
- 数字电源的特点与发展现状
- 预告:机器人聊天的秘密|硬创公开课
- 如何从零训练神经网络玩游戏?这里有一段详细的解读视频
- SpringBoot集成多数据源
- liferay常见异常及解决方法
- NVIDIA 论文:用 GAN 生成高清图像 | ICLR 2018
- 深度学习面试你必须知道这些答案
- 【预告】中科院博士:迁移学习的发展与现状 | 公开课
- Nginx中unknown directive "if(!-e"解决方案
- 【回顾】超越普遍的显著性:基于多任务的个性化显著性的预测
- 案例解释图像傅里叶变换的幅度谱和相位谱的以及反变换
- MarkDown教程
- //编写一个学生类(Students),包括姓名(name)、性别(sex)、学号(num)、语文课(Chinese)、英语课(English)、 //数学课(Math)和平均值(avg),方法包括求
- 在大学期间更应该学习什么?
- eclipse 无法启动 an error has occured
- HDU 1164-排兵布阵典型的线段树单点查询或者一位树状数组