【KDD2019|讲座推荐】现代MDL与数据挖掘的结合--洞察力、理论和实践：Modern MDL meets Data Mining -- Insights, Theory, and Practice

讲座题目

现代MDL与数据挖掘的结合--洞察力、理论和实践：Modern MDL meets Data Mining -- Insights, Theory, and Practice

讲座简介

当考虑一个数据集时，通常不知道它是如何的，因此描述或捕获其主要特征的模型应该有多复杂。通常，这些选择会被掩盖、忽略，交给领域专家处理，但在实践中，这是非常不令人满意的；领域专家不知道如何设置$k$，在选择之前选择什么，或者有多少自由度比我们做的更理想。 最小描述长度（MDL）原理能够从清晰直观的角度回答模型选择问题。简而言之，它断言最好的模型是同时压缩数据和模型的模型。在本教程中，我们不仅介绍了模型选择的基本知识，展示了基于MDL的建模的重要特性、成功的例子以及如何应用MDL解决数据挖掘问题的陷阱，还介绍了现代MDL中重要新概念的高级主题（例如，归一化最大似然（NML）、顺序NML、分解NML和MDL变化统计）和动态设置中的新兴应用。在本教程中，我们的目标是确保读者不仅掌握基本理论，而且了解如何将其付诸实践。

讲座嘉宾

Jilles Vreeken ，在赫尔姆霍兹信息安全中心领导探索性数据分析研究小组。此外，是马克斯·普朗克信息学研究所数据库和信息系统组（D5）的高级研究员，萨尔兰大学计算机科学系的教授。研究主要涉及数据挖掘和机器学习。特别是，喜欢开发理论和算法来回答关于数据的探索性问题，例如“我的数据中的因果依赖关系是什么”或“这是我的数据，告诉我需要知道什么”。为了确定什么是有价值的结构，经常采用基于信息论的有根据的统计方法。在此基础上，可以开发出高效的算法，从大量复杂的数据中提取有用的、有见地的结果。