机器学习研究方向
来源:互联网 发布:js设置action 编辑:程序博客网 时间:2024/05/16 09:32
看了版上很多贴子,发现很多版友都在问「热门研究方向」、「最新方法」等。有同学建议国内某教授的教材、或者CNKI、或者某些SCI期刊。每当看到这种问题,我都有点纳闷,为什么不去读顶级会议上的论文?
我无意否认以上文献的价值,但是在机器学习、计算机视觉和人工智能领域,顶级会议才是王道。国内教材和CNKI上的基本是N年前老掉牙的东西。有人会质疑这些会议都只是EI。是的,这的确非常特殊:在许多其它领域,会议都是盛会,比如society of neuroscience的会议,每次都有上万人参加,带个abstract和poster就可以去。但在所讨论的几个领域,顶级会议的重要性无论怎么强调都不为过。
可以从以下几点说明:(1)因为机器学习、计算机视觉和人工智能领域发展非常迅速,新的工作层出不穷,如果把论文投到期刊上,一两年后刊出时就有点out了。因此大部分最新的工作都首先发表在顶级会议上,这些顶级会议完全能反映「热门研究方向」、「最新方法」。(2)很多经典工作大家可能引的是某顶级期刊上的论文,这是因为期刊论文表述得比较完整、实验充分。但实际上很多都是在顶级会议上首发。比如PLSA, Latent Dirichlet Allocation等。(3)如果注意这些领域大牛的publications,不难发现他们很非常看重这些顶级会议,很多人是80%的会议+20%的期刊。即然大牛们把最新工作发在顶级会议上,有什么理由不去读顶级会议?
(1) 以下是不完整的列表,但基本覆盖。
机器学习顶级会议:NIPS, ICML, UAI, AISTATS; (期刊:JMLR, ML, Trends in ML, IEEE T-NN)
计算机视觉和图像识别:ICCV, CVPR, ECCV; (期刊:IEEE T-PAMI, IJCV, IEEE T-IP)
人工智能:IJCAI, AAAI; (期刊AI)
另外相关的还有SIGRAPH, KDD, ACL, SIGIR, WWW等。
特别是,如果做机器学习,必须地,把近4年的NIPS, ICML翻几遍;如果做计算机视觉,要把近4年的ICCV, CVPR, NIPS, ICML翻几遍。
对于这个领域的牛人们,以上全是浅显的废话,完全可以无视。欢迎讨论
我无意否认以上文献的价值,但是在机器学习、计算机视觉和人工智能领域,顶级会议才是王道。国内教材和CNKI上的基本是N年前老掉牙的东西。有人会质疑这些会议都只是EI。是的,这的确非常特殊:在许多其它领域,会议都是盛会,比如society of neuroscience的会议,每次都有上万人参加,带个abstract和poster就可以去。但在所讨论的几个领域,顶级会议的重要性无论怎么强调都不为过。
可以从以下几点说明:(1)因为机器学习、计算机视觉和人工智能领域发展非常迅速,新的工作层出不穷,如果把论文投到期刊上,一两年后刊出时就有点out了。因此大部分最新的工作都首先发表在顶级会议上,这些顶级会议完全能反映「热门研究方向」、「最新方法」。(2)很多经典工作大家可能引的是某顶级期刊上的论文,这是因为期刊论文表述得比较完整、实验充分。但实际上很多都是在顶级会议上首发。比如PLSA, Latent Dirichlet Allocation等。(3)如果注意这些领域大牛的publications,不难发现他们很非常看重这些顶级会议,很多人是80%的会议+20%的期刊。即然大牛们把最新工作发在顶级会议上,有什么理由不去读顶级会议?
(1) 以下是不完整的列表,但基本覆盖。
机器学习顶级会议:NIPS, ICML, UAI, AISTATS; (期刊:JMLR, ML, Trends in ML, IEEE T-NN)
计算机视觉和图像识别:ICCV, CVPR, ECCV; (期刊:IEEE T-PAMI, IJCV, IEEE T-IP)
人工智能:IJCAI, AAAI; (期刊AI)
另外相关的还有SIGRAPH, KDD, ACL, SIGIR, WWW等。
特别是,如果做机器学习,必须地,把近4年的NIPS, ICML翻几遍;如果做计算机视觉,要把近4年的ICCV, CVPR, NIPS, ICML翻几遍。
(2) 另外补充一下:大部分顶级会议的论文都能从网上免费下载到,
比如CV方面:http://www.cvpapers.com/index.html;
NIPS: http://books.nips.cc/;
JMLR(期刊): http://jmlr.csail.mit.edu/papers/;
COLT和ICML(每年度的官网): http://www.cs.mcgill.ca/~colt2009/proceedings.html。希望这些信息对大家有点帮助。
(3) 说些自己的感受。我的研究方向主要是统计学习和概率图模型,但对计算机视觉和计算神经科学都有涉及,对Data mining和IR也有些了解。这些领域,从方法和模型的角度看,统计模型(包括probabilistic graphical model和statistical learning theory)是主流也是非常有影响力的方法。有个非常明显的趋势:重要的方法和模型最先在NIPS或ICML出现,然后应用到CV,IR和MM。虽然具体问题和应用也很重要,但多关注和结合这些方法也很有意义。对于这个领域的牛人们,以上全是浅显的废话,完全可以无视。欢迎讨论
0 0
- 机器学习研究方向
- 机器学习研究方向
- 机器学习方向
- 机器学习研究
- 研究机器学习
- 机器学习研究
- FPGA机器学习之学习的方向
- FPGA机器学习之学习的方向
- 我的.net的学习研究方向
- 深度学习——研究方向
- 深度学习的研究方向和发展趋势
- 深度学习目前的研究方向
- 关注机器学习的最新热点方向
- 关注机器学习的最新热点方向
- 关注机器学习的最新热点方向
- 机器学习新方向 Submodularity machine learning
- 机器学习方向的一些专家大神
- 机器学习方向数学基础教材推荐
- Java RMI(1):HelloWorld篇
- XUtils3框架的基本使用方法(一)
- 与WWDC大会同步,黑马程序员iOS4.0课程震撼出炉
- 签语签寻
- Linux TCP队列相关参数的总结
- 机器学习研究方向
- easyui datagrid 多表头设置
- libyuv编译(各平台)
- c++对象模型研究1:关于对象
- 亲子拍拍v1.2.1官方iPhone版
- C++面试题: i++和++i的区别
- 通过PP助手安装软件
- 常用算法
- Android Settings源码流程分析