ICML 2019 Tutorial 《主动学习：理论到实战》, 180页PPT带你从入门到精通- 专知

ICML 2019 Tutorial 《主动学习：理论到实战》, 180页PPT带你从入门到精通

【导读】主动学习，是今年 ICML上比较热门的方向，这几年，研究者越来越关注小样本，无标记的数据如何快速标记，或者样本缺失的问题，而主动学习可以在大量无标记数据中选择最佳的数据进行标记，扩展标签的数据。在昨天的ICML2019 Tutorial环节，来自芝加哥丰田技术研究所(TTIC)的Robert Nowak 教授和威斯康辛大学麦迪逊分校(University of Wisconsin-Madison) 的Steve Hanneke跟大家交流了《主动学习：理论到实战》的当前进展。

【报告简介】

近年来，机器学习领域有了很大的进步，但主要是在定义明确的领域中，使用大量带有人类标签的训练数据。机器可以识别图像中的物体并翻译文本，但它们必须接受比人一生所能看到的更多的图像和文本的训练。生成必要的训练数据集可能需要大量的人力工作。Active ML旨在通过设计学习算法来解决这一问题，该算法能够自动自适应地选择信息最丰富的数据进行标记，这样人类的时间就不会浪费在标记无关、冗余或琐碎的示例上。本教程将概述一些应用，并介绍主动机器学习的基本理论和算法。将特别关注可靠的主动学习算法，并量化减少学习所需的标记训练数据。

【作者信息】

Robert Nowak (University of Wisconsion-Madison) (威斯康辛-麦迪逊大学)

Robert Nowak在威斯康辛大学麦迪逊分校(University of Wisconsin-Madison) 担任Nosbusch工程教授，他的研究重点是信号处理、机器学习、优化和统计。

Steve Hanneke (TTIC)

Steve Hanneke是芝加哥丰田技术研究所（TTIC)）的研究助理教授。他的研究探索了机器学习的理论：设计新的学习算法，能够从更少的样本中学习，理解交互式机器学习的好处和能力，开发迁移学习和终身学习的新视角，并重新审视学习理论基础上的基本概率假设。Steve于2005年在UIUC获得计算机科学学士学位，2009年在卡内基梅隆大学获得机器学习博士学位，并发表了一篇关于主动学习理论基础的论文。

链接：

http://nowak.ece.wisc.edu/ActiveML.html

请关注专知公众号（点击上方蓝色专知关注）