24 juin après-midi, le nombre de Forum AI maîtrise la science et de la technologie des médias en titane et parrainé fir-2017 tenue à Beijing, le forum a demandé cinq algorithmes d'optimisation, des professeurs de haut apprentissage de la machine, les chercheurs universitaires ont assisté et a prononcé un discours. Forum, cinq scientifiques autour des algorithmes, des données, des applications, combinant leurs domaines de recherche respectifs, a parlé de la situation actuelle et le développement futur. School of Business à New professeur adjoint de l'Université York Chen Xi pour assister au forum et a prononcé un discours intitulé « Apprendre de la machine à la décision intelligente » discours.

Lei Feng réseau a appris, le Dr Xi Chen est actuellement professeur adjoint à l'Université de New York, l'Université Dr. Carnegie Mellon Département de l'apprentissage de la machine, l'apprentissage de la machine doivent suivre le doyen de professeur de Berkeley Michael I Jordan a fait des recherches post-doctorales pour une période de plus d'un an. Pendant ce temps, le Dr Chan Kai a reçu le prix de la recherche Faculté Google, en 2017, a également remporté la plupart des jeunes de 3030 Forbes Amérique influent les scientifiques titre sous. Les principaux domaines de recherche Dr Chen Xi comme: apprentissage machine, statistique-dimensionnelle et les opérations de recherche.

Dans son discours, le Dr Chan Kai a dit, l'apprentissage de la machine est un départ à partir des données, plus préoccupés par la prédiction du problème, ou mieux de comprendre le modèle de ces données. Par exemple, la profondeur de l'apprentissage, très bon à identifier un modèle de données, mais pour la dérivation de la logique de décision intelligente sous des incertitudes, AI est encore relativement faible. « La prise de décision est très importante, ne suffit pas d'avoir prédit simplement. Les deux prennent combinaison efficace. »

Lei Feng réseau (numéro public: Lei Feng réseau) sans changer l'intention initiale de la coupe sur la base de la finition:

Chen Xi: Merci beaucoup est venu à la scène dans l'après-midi du samedi, je dois partager ce que je comprends de l'apprentissage machine, je vais parler de cette prise de décision, les prévisions ne sont pas notre objectif ultime, nous espérons que grâce à l'apprentissage de la machine et, finalement, l'aide prendre des décisions d'affaires intelligentes.

Mon expérience est plus vaste, je voudrais lire un diplôme de maîtrise en recherche opérationnelle à l'Université Carnegie Mellon, et plus tard mon apprentissage de la machine de doctorat universitaire à l'École des sciences informatiques à carnegie mellon, puis suivez Michael I. Jordan à faire dans le département Berkeley de la statistique et informatique par post-doctoral. Mes intérêts de recherche sont très diverses, y compris l'apprentissage de la machine (en particulier l'apprentissage et la prise de décision des problèmes de prise de décision des données en ligne, bandit à plusieurs bras), à grande échelle des données de grande dimension inférence statistique, en plus de la gestion des opérations logistiques ont un certain travail. Ces aspects semblent sans rapport, mais en fait, il semble maintenant être très lié, est le lien le plus fondamental toutes nos disciplines sont déterminées par les données, et le dernier est d'être des services de données, de creuser les valeurs de base et des données pour la prise de décision.

Et je pense que la combinaison de ces trois domaines afin d'avoir une plus profonde et une meilleure compréhension des données et prendre des décisions efficaces.

Ce chiffre nous ne pouvons pas connaître, et maintenant beaucoup de gens discutent de gros volumes de données, il y a trois caractéristiques différentes.

L'une est la quantité croissante, en hausse par rapport à MB PB, mais il est plus rapide et plus rapide, dans le passé de temps en temps, et maintenant ce temps réel, traditionnel apprentissage statistique et de la machine présente de grands défis, les données traditionnelles est de bonne Collect, quelques recherches sur le disque dur, mais maintenant les pages de données arrivent en temps réel, tels que Baidu ou vous effectuez une recherche, ou d'acheter un produit en ligne, entrer des données sur le serveur, de sorte que les données sont en permanence en ligne mise à jour, le troisième est des données de diversification, avait été relativement simple, vous pouvez mettre du texte ou une base de données, comprennent maintenant des données plus sociales, les données mobiles, des données vidéo, ne sont également pas très bonne structure, de plus en plus évidentes données sur les tendances de diversification.

Nous formulons les données scientifiques, ce chiffre est professeur à l'Université de New York Yann Le Cun nos Cours machine-apprentissage avec la première courseware.

Que vous venez équivalent à traditionnel statistique et informatique se combinent pour produire un apprentissage de la machine, mais il y a cet apprentissage de machine à coudre est pas assez de lumière a inventé l'algorithme, ou que vous avez cette étude approfondie de la structure légère, qui données ne sont pas problème scientifique, pratique pour garder ensemble, tout comme le professeur Li, professeur Wang Zizhuo mentionné, la combinaison des problèmes d'apprentissage de la machine et le prix dans le ensemble Voyage en ligne, il est devenu des données scientifiques. Il devrait être beaucoup de certaines connaissances professionnelles, telles que l'emplacement est l'heure de pointe, qui place une grande densité de population, ces applications doivent intégrer de calcul, des statistiques et des problèmes pratiques spécifiques, il peut créer de la valeur.

Qu'est-ce que l'apprentissage de la machine, les données sont d'abord, puis l'algorithme d'apprentissage, alors nous avons besoin de générer la modélisation des données est une certaine hypothèse, l'algorithme mis en place en fonction des modèles de probabilité et les hypothèses, nous pouvons prédire les données de vente, le temps de Voyage mais le plus important est que nous pouvons vraiment comprendre les données en prédisant, par exemple, les commentaires de ce modèle à la fin, il convient à ces données. Ensuite, l'apprentissage de la machine généralement en deux catégories, l'une est l'apprentissage supervisé, apprentissage non supervisé et, bien sûr, récemment, nous avons beaucoup de nouveaux domaines d'études, comme l'apprentissage semi-supervisé, l'apprentissage actif, l'apprentissage de renforcement, et ainsi de suite.

L'idée de base de l'apprentissage supervisé est très simple, le premier est par X à Y prédit, X est votre Taobao ou l'histoire précédente de l'information du shopping Jingdong, cette fois-ci pour vous donner un web prédis vous ne serez pas acheter ou mettre une page publicitaire dans ce qui précède, vous ne pointera pas pour ouvrir la page d'annonce. J'ai plusieurs annonces différentes pour voir quel genre de probabilité que vous pointer pour ouvrir la page d'annonce, le point est le point ouvert ouvert ou non. Ensuite, nous avons cette classe de fonction est une hypothèse, nous supposons que cela fait partie de H, alors l'algorithme d'apprentissage prîmes après avoir examiné ces exemples de formation, par l'algorithme d'apprentissage pour obtenir le g, mais cela est souvent pas la fonction réelle de prédiction f, mais nous espérons trouver un H, rendre l'apprentissage plus près des gf, bien sûr, nous devons avoir de bons algorithmes d'optimisation, parce que vous ne pouvez pas épuiser tous les H à l'intérieur de la fonction. Nous avons un échantillon de formation, à la fin d'acheter ou non, sur la base des données historiques, la valeur prédite est équivalente à l'enseignant de vous dire. Alors appelé apprentissage supervisé.

l'apprentissage non supervisé aujourd'hui encore plus de la scène qui ont besoin d'être classé, mais il n'y a pas de norme absolue, en fonction de l'âge et de la séquence, la séquence du sexe, regroupés en fonction des différents membres de l'industrie sont arrivés sur les lieux. Selon différents critères, différents cluster, cette fois appelé l'apprentissage non supervisé de ce fait, il n'y a pas de norme absolue, selon les différents besoins du cluster que vous faites ou le prix.

Dans l'apprentissage automatique des 20 prochaines années de développement rapide, nous voyons de plus ou moins ces mots, nous avons reconnu voté pour 10 des plus populaires des algorithmes, puis classificateur bayésiens naïfs, puis les k-means clustering, support machine vecteur classificateur à une régression linéaire, il y a une régression logistique, réseau neuronal, forêt aléatoire. En fait, les forêts aléatoires est très puissant. Par exemple, la classification des mots, les forêts aléatoires mieux que l'interprétabilité des réseaux de neurones, les arbres de classification afin que nous puissions voir clairement le processus de classification.

algorithme d'apprentissage automatique est actuellement le plus chaud apprentissage en profondeur. Tous ces puissants, une raison importante est que nous avons un nouveau matériel, GPU constaté que la vitesse de traitement rapide de communication entre les différents, par exemple très pratique, d'une machine à l'autre, à partir du disque dur sur le disque dur de la communication très lent, mais très approprié pour les différents parallélisation GPU, avec ce GPU peut entraîner une très grande échelle profonde des réseaux de neurones, il est le résultat de l'innovation de l'algorithme. En outre, IBM a également soulevé récemment puces neuromorphiques, peut vouloir briser cette promesse Feng Yi homme du système.

L'apprentissage de la machine il y a un grand développement, nuage appelé activé. Dans le nuage, aux grandes entreprises offrent un certain nombre d'interfaces, le nombre de la science et de la technologie sont également position cèdre dans ce sens, l'équivalent de beaucoup de choses dans une interface de prix des actions qui servent non seulement les grandes entreprises, servira tous les petites entreprises, lorsque vous avez besoin de la marchandise lorsque le prix, vous pouvez mettre vos données à l'agence. De nouvelles données viennent vous dire facilement que ce produit vous donne beaucoup d'argent, il devient peu à peu les services communs plus étendus.

Bien sûr, il y a beaucoup de machines d'apprentissage récemment que des histoires de succès, comme IMAGEnet.

Ceci est l'IBM Watson, plus tôt cette comparaison, la réponse en danger jeu est une compétition intellectuelle, Watson d'IBM peut comprendre le problème et trouver rapidement des réponses dans la base de données, il y aura probablement un raisonnement logique. Par exemple, ces données sont « ce qui est près de Pékin zones à forte densité de population est » en raison de ces informations de localisation géographique. Ceci est la responsabilité générale pour les questions IBM DeepQA et réponses, at-il dit, l'apprentissage machine ce qui rend les ordinateurs deviennent plus intelligents, provoque l'ordinateur pour répondre à quelques questions, et de répondre aux questions qu'il a appris la réponse à cette question est bien ou mal.

Ce qu'il est très familier. Une loi de chien, à commencer a battu la Corée du Sud Li Shishi, puis sur la route, au-delà de l'équivalent humain d'un ordinateur, mais nous ne doit pas être trop surpris de cette chose, le matériel continue à se développer, je pense Allez à la défaite est inévitable. Go semble compliqué, en fait, des règles relativement simples, vous pouvez voir la dynamique à tout temps d'autres pièces, beaucoup plus simple que les questions d'affaires. Les décisions d'affaires peuvent avoir beaucoup d'informations, et non en noir et blanc comme un enfant chessboard, vous ne pouvez pas connaître la raison derrière cela est. peut-être encore plus complexe En fait, des jeux comme StarCraft, que ce déplacement. Parce que vous ne pouvez pas connaître parfaitement les informations de l'autre, c'est un défi pour l'IA. Donc, il y a beaucoup de questions que nous devons résoudre. Pour beaucoup d'informations cachées, pour en tirer logiquement, l'IA est encore très faible.

l'apprentissage de la machine est largement utilisé dans les affaires qui, voici quelques-uns du monde des affaires à l'intérieur des applications d'apprentissage automatique Lukas Biewald récapitulées. Tout d'abord, l'apprentissage automatique permet aux utilisateurs de générer des données devient plus précieux, par exemple pinterest, entreprise de réseautage social, vous dira ce qui est plus intéressant est oui. La Chine a également les manchettes aujourd'hui, comme Yelp similaire au commentaire public américain, par exemple Nous avons dîné passé à travers les données, ce qui est bon, de sorte que les informations de l'utilisateur a laissé passer plus précieux. En outre l'apprentissage de la machine vous permet de trouver plus rapidement le produit. Ensuite, vous pouvez avoir avec votre machine d'apprentissage plus interactif, il y a un opérateur d'appel, réservation des compagnies aériennes appellent maintenant avant que les retards de vol seront automatiquement aller là où les gens tels que repas, sinon plusieurs opérateur historique précédent seulement et approuver. De plus, l'apprentissage de la machine peut mieux comprendre le comportement des utilisateurs, par exemple pour prédire si vous aimez ce produit, quelle est la raison d'acheter ou partie de la main côtelette.

Je pense que l'apprentissage de la machine est un départ à partir des données, qui est plus préoccupé par la prédiction du problème, ou mieux comprendre le modèle de données, telles que la profondeur de l'apprentissage, très bon à identifier un modèle de données, mais vraiment pour cette décision, nous n'avons pas fait assez. En fait, ce besoin de temps pour combiner l'apprentissage de la machine avec la logistique, ces données par la prise de décision, car il n'y a que parmi les entreprises ne sont pas assez de données pour prédire.

Ainsi, la seconde partie est de l'apprentissage de la machine à la décision,

En fait, nous avons beaucoup de problèmes d'affaires sont nécessaires la prise de décision, la gestion des stocks de prise de décision, nous devons avoir besoin d'usines de construction où les décisions doivent décider par exemple, des pièces de voitures, livraison express, à emporter quelle route pour aller, comment le prix, comment déterminer le système recommandé, nous vous recommandons de ce type de produit, nous voulons comment pouvons-nous financer dans un portefeuille de produits financiers.

Opérations de recherche / gestion, donc je mis dans une demande que l'apprentissage machine à plus de données et les prévisions, et les opérateurs utilisent le modèle pour prendre des décisions. Nous devons donc combiner efficacement ensemble. Permettez-moi de vous donner un exemple, vous devez faire un modèle de probabilité aléatoire à vos utilisateurs d'acheter des prix liés. En général, nous pensons que le modèle de probabilité réduira la probabilité des utilisateurs d'acheter le prix élevé, faible probabilité de prix aux utilisateurs d'acheter plus. Bien sûr, parfois pas, dire le téléphone d'Apple, nous pensons que dans le début, c'est un symbole de statut social, même si le prix est une forte demande est encore très importante, différents produits ont des modèles différents, le prix est mis en place avec la demande des utilisateurs , lorsque les prix et la demande de savoir, je peux décider comment meilleurs prix.

C'est le dernier Congrès Informe Key note un diapositives parlent, en vue des analyses de Gartner, les données de la description, le diagnostic, la découverte, a prédit que la décision finale de le faire, en effet, ne semble pas jouer une bonne prédiction la meilleure action est la clé de la décision d'atterrir.

Permettez-moi de vous donner deux exemples, c'est de 2016 informe l'intérieur de conférence plénière, par exemple l'année prochaine, je veux la machine apprendre à prédire actions futures, mais dans les opérations de recherche que je dois transmettre des informations pour déterminer la finale à la fin, je veux acheter ce stock, quand acheter et quand vendre c'est une décision de problème. Il y a des hauts et des bas de la lumière probabilité prédite de 80% vont augmenter, alors je veux acheter à la fin combien cela est un problème de prise de décision très complexes.

Ceci est l'emplacement du problème, que vous avez cette direction du vent de données, les données atmosphériques, les données de turbidité pour prédire, par exemple, la brume de demain est un peu comment. Mais il peut y avoir de meilleurs problèmes de prise de décision, qui est, je veux construire une part de la centrale éolienne, donc je suis en mesure de faire un meilleur usage de l'énergie, qui est le Bureau d'émission mesurée par ces deux petits exemples peuvent nous donner des instructions, décisions est très important, il ne suffit pas de simplement avoir prédit.

Dans l'enquête KPMG 2014 a déclaré que 95 pour cent du CIO et CFO estiment que le pont ne construit pas de données et la prise de décision. J'espère que, grâce à un modèle pour vous dire un exemple intéressant, pour que nous le comprenons, apprendre comment combiner la prise de décision et organique.

L'origine de cet algorithme est très simple, son origine dans le jeu, bien sûr, le jeu est illégal en Chine. Je dis un modèle mathématique, il y a beaucoup de machines à sous, mais chaque machine à sous est différent, chaque tirant une machine à sous recevra une récompense, l'argent est aléatoire, il y a l'importance d'un haut en bas, vous, que les gens veulent jouer, tant de machines à sous, que je veux tirer, donc, je reçois les meilleures machines à sous passent le test, je peux obtenir le plus d'argent.

Et il y a des questions très importantes. Pour vous donner une machine à sous de démarrage ne connaît pas, vous devez donc à l'exploration, pour essayer d'obtenir plus d'informations dans chaque machine à sous, l'autre est de développer, quand j'ai appris que cette machine à sous fonctionne bien, je besoin de ce Dora machines à sous, permettant d'obtenir plus de revenus, le problème réel plus complexe, chaque machine à sous est pas définie dans la pierre. Donnez votre argent au fil du temps, donc nous avons continué dans l'exploration et le développement à convertir.

Donc, l'exploration est de faire une action au hasard, afin que nous sachions chaque machine à sous est bonne ou mauvaise, le développeur est quand je sais que ce genre de choses est très bien, je vais continuer à utiliser, toutes deux sont indispensables, car vous n'avez pas assez d'exploration, choisissez une machine à sous non-stop pour développer, si vous choisissez une machine à sous vraiment mauvais, vos avantages seront très pauvres.

Donc, il doit y avoir un objectif à long terme peut sacrifier les intérêts à court terme de cela, vous sacrifierai de test au hasard des avantages à court terme, mais sera de retour pour les intérêts à long terme.

Par exemple, il y a maintenant deux machines à sous, jouer quelques fois, d'abord tirer cinq dollars, la deuxième traction 0 dollars, puis conformément à cet ordre, je devrais aller à tirer sur la machine à sous 2, mais en fait pas le cas parce que chaque fois que vous tirez a donné cinq dollars, mais les deuxièmes machines à sous ne, en fait, il peut y avoir un quart du temps pour vous donner 100 dollars, le reste pour vous 0 dollars, si elles concerneraient Dora avec ces 100 dollars, car il ne suffit pas de tirer sur une machine à sous, machine à sous qui est le deuxième meilleur, ceci est un exemple d'une grave pénurie d'exploration, il est un exemple typique d'une machine à sous. Dans certains cas, l'utilisateur et l'utilisateur est je pense que l'objectif principal du développement, mais je n'ai pas assez d'exploration, il risque de perdre des informations importantes, en fait, plusieurs fois plus que la détection peut être plus précieux.

Ce sont les feuilles des enseignants et Wang Zizhuo d'un seul produit pour le prix de notre côté de l'article, puis tout en apprenant important de faire, ici, nous donnons aux entreprises un meilleur système de prix, obtenir leur revenu, de sorte que vous devez comprendre le prix et la relation entre la probabilité des utilisateurs d'acheter, nous voulons essayer plus d'exploration est le prix, veulent connaître le prix sur la réaction de l'utilisateur, nous savons que l'évolution des prix pour les différents utilisateurs choisir, nous allons développer dans cet utilisateur et vers le bas kung fu.

Crowdsourcing crowdsourcing est très récent feu, une grande quantité de données peut être étiqueté avec très peu d'argent. Je l'ai fait beaucoup de travail dans ce domaine, citant les deux articles ci-dessus ont fait l'apprentissage des meilleures revues dans la machine. Et j'effectué un stage auprès de Microsoft mentor Dengyong Zhou. Le premier chapitre est mon mentor postdoctoral Michael I. Jordanie avec la coopération. Voici un exemple simple, ces images sont attribués à chaque personne, et puis tout le monde assis à l'avant de l'ordinateur, vous dire ceci est une chose positive ou un de négatif, les gens réagissent à l'image est pas le même, les deux personnes ont dit n-1, puis un de négatif, puis prendre le vote à la majorité. parce que pour un nouveau venu, vous avez besoin de lui donner une image pour mesurer sa capacité.

Nous voulons connaître les capacités d'information de chacun, nous voulons donner la plus image appropriée des travailleurs, lorsqu'une image des décisions difficiles à la fin, nous devons être distribué à beaucoup de gens.

Il y a deux études articles publiés sur la meilleure conférence dans la machine, qui est le premier article j'ai aussi étudié avec Li professeur en même temps avec le professeur Zhou Yuan, qui est, nous voulons savoir qui est le meilleur d'une machine à sous, ou dont quelques-unes, ou du moins nous voulons savoir quelles images quelques travailleurs habiles à manipuler ces images. C'est une sorte de problème. Comme autre exemple, supposons que vous avez deux annonces, vous savez que la conception publicitaire, qui annonce est le plus attrayant pour les utilisateurs. Comment faire? Au hasard de tester ces utilisateurs de savoir grâce à une conception de test minimum qui annonce est le meilleur, trouver les K-bras, chacun des bras correspond à une annonce, et nous avons un algorithme, questionnement constant, le bon séjour.

Cela peut avoir un grand nombre d'applications, peut être utilisé dans la médecine, les systèmes, la publicité, des ventes aux enchères, ainsi que dans la technologie financière.

Ensuite, nous mettons ces idées, le seul produit sera utilisé dans plusieurs projets de coopération scientifique et technologique avec l'intérieur de cèdre, ce qui est très intéressant aux États-Unis.

C'est professeur David et le MIT et ses étudiants des exemples de coopération, il est mon maître très distingué au MIT, dans la gestion des opérations dans le sens transversal et la machine apprennent à faire beaucoup de contributions exceptionnelles au cours des dernières années. Il m'a parlé d'une compagnie appelée Fix point, un mois ou même toutes les deux semaines, sur une base régulière pour envoyer une dame une boîte avec 5 vêtements, choisissez un séjour, le reste du retour à, que vous choisissez on pourrait recueillir l'argent, vous dites que 5 vêtements ne aiment pas revenir en arrière, il facturera un petit symbolique gratuit. Alors, comment envoyer ces vêtements? Nous alignerons. Par exemple, l'âge de l'utilisateur, homme ou femme, lieu de travail ou de l'étudiant, nous avons utilisé de recommander des vêtements, fournir beaucoup d'informations pour observer ce qu'il acheter des vêtements.

Par exemple, les membres nouvellement inscrits, nous avons ces informations, il a décidé à la fin de faire ce que les produits recommandés.

Ceci est en fait un très gros avantage par rapport au regroupement utilisateur simple précédent que l'on appelle, parce que le regroupement de l'utilisateur précédent, nous sommes un homme ou une femme. Pour les nouveaux utilisateurs, il peut ne pas convenir à un certain type, ou les informations de l'utilisateur est très compliqué, de sorte que le point d'apprentissage de la machine de vue de l'introduction de la variable d'environnement de grande dimension, on peut observer des changements continus de l'utilisateur, l'équivalent d'un nombre infini de types d'utilisateurs espèces.

Alors quels sont les produits que nous recommandons par l'utilisateur, les décisions ne nous voulons faire durer les recettes Maximize.

Nous pouvons construire l'équivalent de l'information d'un utilisateur, donner sa recommandation d'observer ses décisions, ce qui est le processus de sélection statique, nous sommes appelés les plus importants d'apprentissage tout en -doing.

Enfin, je fais un bref résumé.

Tout d'abord je veux dire beaucoup d'affaires sont recueillies dans la prise de décision. Par conséquent, la machine traditionnelle d'apprentissage est certainement pas assez, nous devons prêter attention à la prise de décision, il est l'idée principale du nombre de technologies de cèdre - des données aux décisions.

problème commercial est là extrêmement complexe complexe, est cet apprentissage de machine à coudre ne suffit pas, nous avons besoin de l'apprentissage des machines et des statistiques ainsi que la science aura une production combinée de nouvelles données.

le développement de l'apprentissage de la machine au cours des dernières années, le traitement d'image, traitement de texte, ces données, nous pouvons obtenir de meilleures performances, ce qui favorise grandement l'algorithme d'apprentissage automatique. Commerciaux grands ensembles de données publiques ou très peu, d'avoir plus de jeux de données, tels que des ensembles de données de la part de l'entreprise, plus de chercheurs d'entrer sur le terrain, afin que nous puissions obtenir plus de connaissances, grandement favoriser la commercialisation de dans l'apprentissage automatique ou décisions de développement de la technologie, je vous remercie!