关于机器学习中广义约束研究
胡包钢   
报告人照片   胡包钢,1977年北京青云仪器厂工人大学毕业,1983年北京钢铁学院(现北京科技大学)获工学硕士学位。1993年在加拿大McMaster大学机械系获哲学博士学位。1997年回国后为中国科学院自动化研究所模式识别国家重点实验室副研究员与研究员、中国科技大学自动化系兼职教授,IEEE高级会员。2000年-2005年担任中法联合实验室(LIAMA)中方主任。目前研究重点为机器学习与植物生长建模。
  机器学习的数学本质是函数空间的学习,其中包括约束空间的学习。约束空间通常是以数据或先验信息以隐式或显式方式给定。本讲座是以目前数据驱动的黑箱建模方式为讨论背景。我们认为未来的类人通用智能建模方法必然是大知识与大数据共同驱动的工作原理。而实现该工作原理的最重要途径之一是“广义约束(Generalized Constraint)”。在介绍了该术语发展历史后,我们给出广义约束新定义后并与传统约束定义与实际应用情况进行了对比。我们以广义约束神经元网络为模型方法,介绍了若干具体实例应用。讲座特别强调广义约束可能带来的新研究空间。
报告时间:2018年11月06日14时30分    报告地点:西区电二楼208会议室
报名截止日期:2018年11月06日    可选人数:40