AI:2020年6月23日北京智源大会演讲分享之机器学习专题论坛——09:45-10:25邢波教授《A Blueprint of Standardized and Composable ML》

简介: AI:2020年6月23日北京智源大会演讲分享之机器学习专题论坛——09:45-10:25邢波教授《A Blueprint of Standardized and Composable ML》


导读:首先感谢北京智源大会进行主题演讲的各领域顶级教授,博主受益匪浅,此文章为博主在聆听各领域教授或专家演讲时,一张一张截图进行保存,希望与大家一起学习,共同进步,一起见证或筑起人工智能的下一个十年。非常欢迎国内外人工智能领域网友,前来留言探讨与分享,同时感谢点赞或评论!

 

 

 

09:45-10:25 A Blueprint of Standardized and Composable Machine Learning

  • 邢波  卡内基梅隆大学机器学习系副主任

 

 

 

 

 

 

 

 

 

 

 

 

 

10:25-11:05 Geometry and Symmetry in (some!) Nonconvex Optimization Problems

  • John Wright  哥伦比亚大学教授

 

11:05-11:35 Learning Based Optimization

  • 林宙辰  北京大学教授,智源研究员

11:35-12:05 视觉计算前沿进展

  • 孙剑  旷视研究院院长,智源研究员

6月23日上午 — 决策智能专题论坛  

  • 论坛主席、主持人:徐波 中科院自动化所所长,智源研究院理事

09:00-09:10 Opening Speech

  • 徐波  中科院自动化所所长,智源研究院理事

09:10-09:50 Efficient Collaborative Multi-Agent Reinforcement Learning

  • 张崇洁  清华大学交叉信息学院

09:50-10:30 Emergent Tool Use From Multi-Agent Autocurricula

  • 吴翼  OpenAI

10:30-11:10 通信驱动的合作学习

  • 卢宗青  北京大学计算机系

11:10-11:50 StarCraft Commander: Grandmaster level Reinforcement Learning Agent Trained from Hyper Efficient AI Platform

  • 高超  启元世界

11:50-12:30 深度强化学习-从仿真到实体

  • 赵冬斌  中科院自动化所

12:30-12:40 Closing Speech


相关文章
|
6月前
|
云安全 人工智能 安全
|
6月前
|
人工智能 Cloud Native 中间件
划重点|云栖大会「AI 原生应用架构论坛」看点梳理
本场论坛将系统性阐述 AI 原生应用架构的新范式、演进趋势与技术突破,并分享来自真实生产环境下的一线实践经验与思考。
|
8月前
|
机器学习/深度学习 人工智能 监控
AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程
本系列文章深入讲解了从Seq2Seq、RNN到Transformer,再到GPT模型的关键技术原理与实现细节,帮助读者全面掌握Transformer及其在NLP中的应用。同时,通过一个房价预测的完整案例,介绍了算法工程师如何利用数据训练模型并解决实际问题,涵盖需求分析、数据收集、模型训练与部署等全流程。文章适合初学者和开发者学习AI基础与实战技能。
977 25
AI 基础知识从0.1到0.2——用“房价预测”入门机器学习全流程
|
6月前
|
人工智能 Cloud Native 中间件
【云栖大会】AI原生、AI可观测、AI Serverless、AI中间件,4场论坛20+议题公布!
2025 年 9 月 24 日至 26 日,杭州·云栖小镇,4 大论坛、20+ 主题分享,从云原生到 AI 原生,我们诚邀您共赴企业智能化升级浪潮之巅。
|
9月前
|
机器学习/深度学习 PyTorch API
昇腾AI4S图机器学习:DGL消息传递接口的PyG替换
DGL (Deep Graph Learning) 和 PyG (Pytorch Geometric) 是两个主流的图神经网络库,它们在API设计和底层实现上有一定差异,在不同场景下,研究人员会使用不同的依赖库,昇腾NPU对PyG图机器学习库的支持亲和度更高,因此有些时候需要做DGL接口的PyG替换。
|
机器学习/深度学习 存储 搜索推荐
利用机器学习算法改善电商推荐系统的效率
电商行业日益竞争激烈,提升用户体验成为关键。本文将探讨如何利用机器学习算法优化电商推荐系统,通过分析用户行为数据和商品信息,实现个性化推荐,从而提高推荐效率和准确性。
646 14
|
机器学习/深度学习 算法 数据可视化
实现机器学习算法时,特征选择是非常重要的一步,你有哪些推荐的方法?
实现机器学习算法时,特征选择是非常重要的一步,你有哪些推荐的方法?
647 1
|
机器学习/深度学习 算法 搜索推荐
Machine Learning机器学习之决策树算法 Decision Tree(附Python代码)
Machine Learning机器学习之决策树算法 Decision Tree(附Python代码)