会员服务

【CMU张坤】因果学习与人工智能，85页ppt

2020 年 12 月 23 日 专知


主题简介：通过数据分析发现因果关系是个很重要的研究课题。目前研究界在尝试回答下述问题：什么时候应该使用因果知识，什么时候知道关联信息足够充分？如何通过分析观察到的数据找到变量之间的因果趋势？在迈向强人工智能之路，因果信息将起到很大的作用。本次讲座将介绍如何通过观察数据学习因果关系的相关技术，如何通过因果的角度实现自适应的预测和更高层次的人工智能，并阐述一些相关应用。 


个人简介：张坤博士毕业于香港中文大学。研究方向为通用人工智能和因果关系。曾获UAI最佳学生论文，入围CVPR最佳论文，因果挑战最佳基准挑战奖。他是机器学习等顶会NeurIPS, ICML, UAI, IJCAI和AISTATS的资深领域主席或领域主席。



专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

  • 后台回复“CLAI” 可以获取《【CMU张坤】因果学习与人工智能》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！
欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！
点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源
登录查看更多
9

相关内容

张坤博士是卡内基梅隆大学哲学系的助理教授和机器学习系的副教授，也是德国马克斯·普朗克智能系统研究所的高级研究科学家。他的研究兴趣在于机器学习和人工智能，尤其是因果发现，基于因果关系的学习和通用人工智能。他从因果关系的角度开发了用于自动发现因果关系的方法，从因果关系角度研究学习问题，尤其是转移学习，概念学习和深度学习，并研究了因果关系和各种机器学习任务的哲学基础。他曾担任大型机器学习或人工智能会议的区域主席或高级程序委员会成员，包括NeurIPS，UAI，ICML，AISTATS，AAAI和IJCAI。他组织了各种学术活动，以促进因果关系的跨学科研究。个人主页：https://www.cmu.edu/dietrich/philosophy/people/faculty/zhang.html
「因果发现和因果推理」简明介绍，37页ppt
「因果发现和因果推理」简明介绍，37页ppt
专知会员服务
114+阅读 · 2021年4月5日
面向健康的大数据与人工智能，103页ppt
面向健康的大数据与人工智能，103页ppt
专知会员服务
109+阅读 · 2020年12月29日
【CMU张坤】因果学习与人工智能
【CMU张坤】因果学习与人工智能
专知会员服务
121+阅读 · 2020年12月23日
【NeurIPS2020】因果推断学习教程，70页ppt
【NeurIPS2020】因果推断学习教程，70页ppt
专知会员服务
190+阅读 · 2020年12月12日
【ICML2020-Tutorial】因果强化学习-CRL，147页ppt，哥伦比亚大学-Elias Bareinboim
【ICML2020-Tutorial】因果强化学习-CRL，147页ppt，哥伦比亚大学-Elias Bareinboim
专知会员服务
91+阅读 · 2020年7月16日
【MLSS2020硬核课】机器学习「因果性」，德国Bernhard Schölkopf教授，177页ppt
【MLSS2020硬核课】机器学习「因果性」，德国Bernhard Schölkopf教授，177页ppt
专知会员服务
108+阅读 · 2020年7月2日
【伯克利Pieter Abbeel教授报告@CMU】元学习与深度强化学习的机器人应用，84页ppt
【伯克利Pieter Abbeel教授报告@CMU】元学习与深度强化学习的机器人应用，84页ppt
专知会员服务
32+阅读 · 2019年11月26日
【MLA 2019】学习因果关系与因果关系学习（Learning Causality and Learning with Causality: A Road to Intelligence）美国卡内基梅隆大学， 张坤
【MLA 2019】学习因果关系与因果关系学习（Learning Causality and Learning with Causality: A Road to Intelligence）美国卡内基梅隆大学， 张坤
专知会员服务
124+阅读 · 2019年11月16日
【MLA 2019】因果学习与学习因果关系:智慧之路（Learning Causality and Learning with Causality: A Road to Intelligence），美国卡耐基梅隆大学张坤博士，第十七界中国机器学习及其应用研讨会
【MLA 2019】因果学习与学习因果关系:智慧之路（Learning Causality and Learning with Causality: A Road to Intelligence），美国卡耐基梅隆大学张坤博士，第十七界中国机器学习及其应用研讨会
专知会员服务
77+阅读 · 2019年11月6日
【强化学习研讨会|Microsoft Research】安全公平的机器学习（Safe and Fair Machine Learning）
【强化学习研讨会|Microsoft Research】安全公平的机器学习（Safe and Fair Machine Learning）
专知会员服务
15+阅读 · 2019年10月3日
最新《联邦学习Federated Learning》报告，47页ppt
最新《联邦学习Federated Learning》报告，47页ppt
专知
44+阅读 · 2020年12月2日
最新《因果推断导论: 从机器学习视角》新书稿，92页pdf
最新《因果推断导论: 从机器学习视角》新书稿，92页pdf
专知
60+阅读 · 2020年9月29日
【ICML2020-Tutorial】因果强化学习-CRL，147页ppt，哥伦比亚大学-Elias Bareinboim
【ICML2020-Tutorial】因果强化学习-CRL，147页ppt，哥伦比亚大学-Elias Bareinboim
专知
13+阅读 · 2020年7月16日
【斯坦福CS520】向量空间中嵌入的知识图谱推理，48页ppt
【斯坦福CS520】向量空间中嵌入的知识图谱推理，48页ppt
专知
24+阅读 · 2020年6月11日
知识图谱推理，50页ppt，Salesforce首席科学家Richard Socher
知识图谱推理，50页ppt，Salesforce首席科学家Richard Socher
专知
10+阅读 · 2020年6月10日
元迁移学习的小样本学习，Meta-transfer Learning for Few-shot Learning，33页ppt
元迁移学习的小样本学习，Meta-transfer Learning for Few-shot Learning，33页ppt
专知
71+阅读 · 2020年2月29日
AAAI2020最新「因果推理表示学习」122页ppt，Georgia、Buffalo、阿里巴巴与Virginia
AAAI2020最新「因果推理表示学习」122页ppt，Georgia、Buffalo、阿里巴巴与Virginia
专知
16+阅读 · 2020年2月12日
知识图谱在可解释人工智能中的作用，附81页ppt
知识图谱在可解释人工智能中的作用，附81页ppt
专知
89+阅读 · 2019年11月11日
【伯克利Pieter Abbeel教授报告@CMU】元学习与深度强化学习的机器人应用，84页ppt
【伯克利Pieter Abbeel教授报告@CMU】元学习与深度强化学习的机器人应用，84页ppt
专知
13+阅读 · 2019年10月12日
浙大陈华钧教授《知识图谱导论》课程系列PPT
浙大陈华钧教授《知识图谱导论》课程系列PPT
专知
59+阅读 · 2019年5月16日
Explaining Outcomes of Multi-Party Dialogues using Causal Learning
Arxiv
0+阅读 · 2021年5月3日
Analysis of Machine Learning Approaches to Packing Detection
Arxiv
0+阅读 · 2021年5月2日
Automated Symbolic Verification of Telegram's MTProto 2.0
Arxiv
0+阅读 · 2021年4月30日
Privacy and Robustness in Federated Learning: Attacks and Defenses
Arxiv
35+阅读 · 2020年12月7日
Counterfactual Explanations for Machine Learning: A Review
Arxiv
25+阅读 · 2020年10月20日
Causality for Machine Learning
Arxiv
22+阅读 · 2019年11月24日
Challenges in Building Intelligent Open-domain Dialog Systems
Arxiv
8+阅读 · 2019年10月22日
Learning to Detect Opinion Snippet for Aspect-Based Sentiment Analysis
Arxiv
6+阅读 · 2019年9月25日
Optimization Models for Machine Learning: A Survey
Arxiv
18+阅读 · 2019年1月16日
A Survey of Learning Causality with Data: Problems and Methods
A Survey of Learning Causality with Data: Problems and Methods
Arxiv
19+阅读 · 2018年9月25日
VIP会员
相关主题
张坤
因果学习
CMU
PPT
人工智能
UAI
相关VIP内容
「因果发现和因果推理」简明介绍，37页ppt
「因果发现和因果推理」简明介绍，37页ppt
专知会员服务
114+阅读 · 2021年4月5日
面向健康的大数据与人工智能，103页ppt
面向健康的大数据与人工智能，103页ppt
专知会员服务
109+阅读 · 2020年12月29日
【CMU张坤】因果学习与人工智能
【CMU张坤】因果学习与人工智能
专知会员服务
121+阅读 · 2020年12月23日
【NeurIPS2020】因果推断学习教程，70页ppt
【NeurIPS2020】因果推断学习教程，70页ppt
专知会员服务
190+阅读 · 2020年12月12日
【ICML2020-Tutorial】因果强化学习-CRL，147页ppt，哥伦比亚大学-Elias Bareinboim
【ICML2020-Tutorial】因果强化学习-CRL，147页ppt，哥伦比亚大学-Elias Bareinboim
专知会员服务
91+阅读 · 2020年7月16日
【MLSS2020硬核课】机器学习「因果性」，德国Bernhard Schölkopf教授，177页ppt
【MLSS2020硬核课】机器学习「因果性」，德国Bernhard Schölkopf教授，177页ppt
专知会员服务
108+阅读 · 2020年7月2日
【伯克利Pieter Abbeel教授报告@CMU】元学习与深度强化学习的机器人应用，84页ppt
【伯克利Pieter Abbeel教授报告@CMU】元学习与深度强化学习的机器人应用，84页ppt
专知会员服务
32+阅读 · 2019年11月26日
【MLA 2019】学习因果关系与因果关系学习（Learning Causality and Learning with Causality: A Road to Intelligence）美国卡内基梅隆大学， 张坤
【MLA 2019】学习因果关系与因果关系学习（Learning Causality and Learning with Causality: A Road to Intelligence）美国卡内基梅隆大学， 张坤
专知会员服务
124+阅读 · 2019年11月16日
【MLA 2019】因果学习与学习因果关系:智慧之路（Learning Causality and Learning with Causality: A Road to Intelligence），美国卡耐基梅隆大学张坤博士，第十七界中国机器学习及其应用研讨会
【MLA 2019】因果学习与学习因果关系:智慧之路（Learning Causality and Learning with Causality: A Road to Intelligence），美国卡耐基梅隆大学张坤博士，第十七界中国机器学习及其应用研讨会
专知会员服务
77+阅读 · 2019年11月6日
【强化学习研讨会|Microsoft Research】安全公平的机器学习（Safe and Fair Machine Learning）
【强化学习研讨会|Microsoft Research】安全公平的机器学习（Safe and Fair Machine Learning）
专知会员服务
15+阅读 · 2019年10月3日
热门VIP内容
相关资讯
最新《联邦学习Federated Learning》报告，47页ppt
最新《联邦学习Federated Learning》报告，47页ppt
专知
44+阅读 · 2020年12月2日
最新《因果推断导论: 从机器学习视角》新书稿，92页pdf
最新《因果推断导论: 从机器学习视角》新书稿，92页pdf
专知
60+阅读 · 2020年9月29日
【ICML2020-Tutorial】因果强化学习-CRL，147页ppt，哥伦比亚大学-Elias Bareinboim
【ICML2020-Tutorial】因果强化学习-CRL，147页ppt，哥伦比亚大学-Elias Bareinboim
专知
13+阅读 · 2020年7月16日
【斯坦福CS520】向量空间中嵌入的知识图谱推理，48页ppt
【斯坦福CS520】向量空间中嵌入的知识图谱推理，48页ppt
专知
24+阅读 · 2020年6月11日
知识图谱推理，50页ppt，Salesforce首席科学家Richard Socher
知识图谱推理，50页ppt，Salesforce首席科学家Richard Socher
专知
10+阅读 · 2020年6月10日
元迁移学习的小样本学习，Meta-transfer Learning for Few-shot Learning，33页ppt
元迁移学习的小样本学习，Meta-transfer Learning for Few-shot Learning，33页ppt
专知
71+阅读 · 2020年2月29日
AAAI2020最新「因果推理表示学习」122页ppt，Georgia、Buffalo、阿里巴巴与Virginia
AAAI2020最新「因果推理表示学习」122页ppt，Georgia、Buffalo、阿里巴巴与Virginia
专知
16+阅读 · 2020年2月12日
知识图谱在可解释人工智能中的作用，附81页ppt
知识图谱在可解释人工智能中的作用，附81页ppt
专知
89+阅读 · 2019年11月11日
【伯克利Pieter Abbeel教授报告@CMU】元学习与深度强化学习的机器人应用，84页ppt
【伯克利Pieter Abbeel教授报告@CMU】元学习与深度强化学习的机器人应用，84页ppt
专知
13+阅读 · 2019年10月12日
浙大陈华钧教授《知识图谱导论》课程系列PPT
浙大陈华钧教授《知识图谱导论》课程系列PPT
专知
59+阅读 · 2019年5月16日
相关论文
Explaining Outcomes of Multi-Party Dialogues using Causal Learning
Arxiv
0+阅读 · 2021年5月3日
Analysis of Machine Learning Approaches to Packing Detection
Arxiv
0+阅读 · 2021年5月2日
Automated Symbolic Verification of Telegram's MTProto 2.0
Arxiv
0+阅读 · 2021年4月30日
Privacy and Robustness in Federated Learning: Attacks and Defenses
Arxiv
35+阅读 · 2020年12月7日
Counterfactual Explanations for Machine Learning: A Review
Arxiv
25+阅读 · 2020年10月20日
Causality for Machine Learning
Arxiv
22+阅读 · 2019年11月24日
Challenges in Building Intelligent Open-domain Dialog Systems
Arxiv
8+阅读 · 2019年10月22日
Learning to Detect Opinion Snippet for Aspect-Based Sentiment Analysis
Arxiv
6+阅读 · 2019年9月25日
Optimization Models for Machine Learning: A Survey
Arxiv
18+阅读 · 2019年1月16日
A Survey of Learning Causality with Data: Problems and Methods
A Survey of Learning Causality with Data: Problems and Methods
Arxiv
19+阅读 · 2018年9月25日
大家都在搜
  1. 洛克菲勒
  2. palantir
  3. 大规模语言模型
  4. CMU博士论文
  5. 无人机系统
  6. 无人艇
  7. 自主可控
  8. 中科院无人机
  9. 评测
  10. 社区分享 | 用 PoseNet + TensorFlow.js 在浏览器实现体感游戏
    11.
Top
微信扫码咨询专知VIP会员
Top