报名 | 数据科学背后的数学:MIT工程系统教授在线分享

2020 年 11 月 6 日 机器之心
Online Seminar on Mathematical Foundations of Data Science (Math for DS) [1]是在线的、每周举办的系列研讨会。研讨会旨在讨论数据科学、机器学习、统计以及优化背后的数学原理,邀请了北美诸多知名学者进行主题演讲。『运筹OR帷幄』和『机器之心』作为合作媒体,将在B站发布往期的回放视频。本期,受邀嘉宾将为我们带来主题为「Statistical Learning in Operations: The Interplay between Online and Offline learning」的演讲。




Online Seminar on  Mathematical Foundations of Data Science(Math4DS)是在线的、每周举办的系列研讨会,其内容涵盖数据科学、机器学习、统计以及优化背后的数学基础。

在线研讨会将在Zoom上进行,链接如下:
https://psu.zoom.us/s/95512102924

有关研讨会的公告可通过点击 阅读原文 ,链接到国内镜像网址获得。
此外,『运筹OR帷幄』公众号平台会及时预告研讨会的最新消息,敬请关注!

研讨会邀请到诸多知名学者进行主题演讲,目前受邀参加的有:


上滑查看全部直播系列日历


Math for DS 第二十七期线上直播预告

  • 主题:Statistical Learning in Operations: The Interplay between Online and Offline learning

  • 嘉宾:David Simichi-Levi

  • 时间:北京时间11月6日晚11点

  • 地点:Zoom


主题介绍

Traditionally, statistical learning is focused on either (i) online learning where data is generated online according to some unknown model; or (ii) offline learning where the entire data is available at the beginning of the process. In this talk we show that combining both approaches can accelerate learning. First, we show how difficult online learning problems can be reduced to well-understood offline regression problems. Second, we show the impact of pre-existing offline data on online learning and characterize conditions under which offline data helps (does not help) improve online learning. We demonstrate the impact of our work in the context of multiclass classification, product recommendation and price optimization.

嘉宾介绍


David Simichi-Levi,麻省理工学院工程系统教授、麻省理工学院数据科学实验室的负责人。他被认为是供应链管理和商业分析领域的重要思想领袖之一。Simchi-Levi教授是现任《Management Science》杂志的主编,这是INFORMS的两本旗舰期刊之一。他也曾担任INFORMS的另一本旗舰杂志《Operations Research》总编辑(2006-2012),以及《Naval Research Logistics》的总编辑(2006-2012)。他是INFORMS会士、MSOM杰出会士,并荣获2014 INFORMS Daniel H. Wagner运筹学实践卓越奖。2014 INFORMS收入管理和定价实践奖;2009 INFORMS收入管理和定价奖;福特2015年工程卓越奖和2020年INFORMS影响力奖。

他是LogicTools的创始人,该公司为供应链优化提供软件解决方案和专业服务。LogicTools于2009年成为IBM的一部分。2012年,他与人共同创立了运营分析咨询公司OPS Rules。该公司于2016年成为埃森哲的一部分。2014年,他与人共同创立了云分析平台公司Opalytics,致力于运营和供应链智能。该公司于2018年成为埃森哲应用智能的一部分。

如何观看B站录播?

受北美教授的时间限制,Math4DS每期研讨会时间大多设置在美东时间周二的下午三点,即北京时间周三的凌晨三点。 这对于国内的观众非常不友好,但是『运筹OR帷幄』也在B站提供了每期的录播,错过直播的小伙伴和想要回顾的小伙伴可以在前往B站观看,小编也会在第一时间上传最新的研讨会视频。

B站官方号:运筹OR帷幄
https://space.bilibili.com/403058474


研讨会主办方简介

组织者:

Ethan X. Fang, Niao He, Junwei Lu, Zhaoran Wang,  Zhuoran Yang, Tuo Zhao

赞助方:


参考文献
[1]https://sites.google.com/view/seminarmathdatascience/home
登录查看更多
0

相关内容

数据科学(英語:data science)是一门利用数据学习知识的学科,其目标是通过从数据中提取出有价值的部分来生产数据产品。 它结合了诸多领域中的理论和技术,包括应用数学、统计、模式识别、机器学习、数据可视化、数据仓库以及高性能计算。 数据科学通过运用各种相关的数据来帮助非专业人士理解问题。
剑桥大学《数据科学: 原理与实践》课程,附PPT下载
专知会员服务
49+阅读 · 2021年1月20日
【2020新书】数据科学与机器学习导论,220页pdf
专知会员服务
80+阅读 · 2020年9月14日
数据科学导论,54页ppt,Introduction to Data Science
专知会员服务
41+阅读 · 2020年7月27日
【哈佛大学】机器学习的黑盒解释性,52页ppt
专知会员服务
168+阅读 · 2020年5月27日
干货书《数据科学数学系基础》2020最新版,266页pdf
专知会员服务
319+阅读 · 2020年3月23日
【干货51页PPT】深度学习理论理解探索
专知会员服务
62+阅读 · 2019年12月24日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
学术报告|港科大助理教授宋阳秋博士
科技创新与创业
7+阅读 · 2019年7月19日
MIT深度学习基础-2019视频课程分享
深度学习与NLP
10+阅读 · 2019年2月7日
免费自然语言处理(NLP)课程及教材分享
深度学习与NLP
29+阅读 · 2019年1月18日
10本必读的机器学习和数据科学免费在线电子书
算法与数据结构
11+阅读 · 2018年6月19日
机器学习线性代数速查
机器学习研究会
19+阅读 · 2018年2月25日
【推荐】免费书(草稿):数据科学的数学基础
机器学习研究会
20+阅读 · 2017年10月1日
【推荐】深度学习思维导图
机器学习研究会
15+阅读 · 2017年8月20日
增强学习 分享ppt
机器学习读书会
7+阅读 · 2017年1月7日
Rethinking Domain Generalization Baselines
Arxiv
0+阅读 · 2021年1月22日
Learning in the Frequency Domain
Arxiv
11+阅读 · 2020年3月12日
Arxiv
5+阅读 · 2019年10月11日
Accelerated Methods for Deep Reinforcement Learning
Arxiv
6+阅读 · 2019年1月10日
Arxiv
9+阅读 · 2018年4月20日
Arxiv
6+阅读 · 2018年3月28日
Arxiv
9+阅读 · 2018年3月23日
VIP会员
相关资讯
学术报告|港科大助理教授宋阳秋博士
科技创新与创业
7+阅读 · 2019年7月19日
MIT深度学习基础-2019视频课程分享
深度学习与NLP
10+阅读 · 2019年2月7日
免费自然语言处理(NLP)课程及教材分享
深度学习与NLP
29+阅读 · 2019年1月18日
10本必读的机器学习和数据科学免费在线电子书
算法与数据结构
11+阅读 · 2018年6月19日
机器学习线性代数速查
机器学习研究会
19+阅读 · 2018年2月25日
【推荐】免费书(草稿):数据科学的数学基础
机器学习研究会
20+阅读 · 2017年10月1日
【推荐】深度学习思维导图
机器学习研究会
15+阅读 · 2017年8月20日
增强学习 分享ppt
机器学习读书会
7+阅读 · 2017年1月7日
相关论文
Rethinking Domain Generalization Baselines
Arxiv
0+阅读 · 2021年1月22日
Learning in the Frequency Domain
Arxiv
11+阅读 · 2020年3月12日
Arxiv
5+阅读 · 2019年10月11日
Accelerated Methods for Deep Reinforcement Learning
Arxiv
6+阅读 · 2019年1月10日
Arxiv
9+阅读 · 2018年4月20日
Arxiv
6+阅读 · 2018年3月28日
Arxiv
9+阅读 · 2018年3月23日
Top
微信扫码咨询专知VIP会员