2. 程式人生 > >【轉載】機器學習頂級會議

【轉載】機器學習頂級會議

阿新 • • 發佈：2018-12-13

以下是不完整的列表，但基本覆蓋。機器學習頂級會議：NIPS, ICML, UAI, AISTATS; （期刊：JMLR, ML, Trends in ML, IEEE T-NN）計算機視覺和影象識別：ICCV, CVPR, ECCV; （期刊：IEEE T-PAMI, IJCV, IEEE T-IP）人工智慧：IJCAI, AAAI; （期刊AI）另外相關的還有SIGRAPH, KDD, ACL, SIGIR, WWW等。特別是，如果做機器學習，必須地，把近4年的NIPS, ICML翻幾遍；如果做計算機視覺，要把近4年的ICCV, CVPR, NIPS, ICML翻幾遍。

1)以下是不完整的列表，但基本覆蓋。機器學習頂級會議：NIPS, ICML, UAI, AISTATS; （期刊：JMLR, ML, Trends in ML, IEEE T-NN）計算機視覺和影象識別：ICCV, CVPR, ECCV; （期刊：IEEE T-PAMI, IJCV, IEEE T-IP）人工智慧：IJCAI, AAAI; （期刊AI）另外相關的還有SIGRAPH, KDD, ACL, SIGIR, WWW等。特別是，如果做機器學習，必須地，把近4年的NIPS, ICML翻幾遍；如果做計算機視覺，要把近4年的ICCV, CVPR, NIPS, ICML翻幾遍。(2)另外補充一下：大部分頂級會議的論文都能從網上免費下載到，比如CV方面：

http://www.cvpapers.com/index.html; NIPS: http://books.nips.cc/; JMLR(期刊): http://jmlr.csail.mit.edu/papers/; COLT和ICML(每年度的官網): http://www.cs.mcgill.ca/~colt2009/proceedings.html。希望這些資訊對大家有點幫助。(3)說些自己的感受。我的研究方向主要是統計學習和概率圖模型，但對計算機視覺和計算神經科學都有涉及，對Data mining和IR也有些瞭解。這些領域，從方法和模型的角度看，統計模型（包括probabilistic graphical model和statistical learning theory）是主流也是非常有影響力的方法。有個非常明顯的趨勢：重要的方法和模型最先在NIPS或ICML出現，然後應用到CV,IR和MM。雖然具體問題和應用也很重要，但多關注和結合這些方法也很有意義。對於這個領域的牛人們，以上全是淺顯的廢話，完全可以無視。歡迎討論。

相關推薦

【轉載】機器學習頂級會議

以下是不完整的列表，但基本覆蓋。機器學習頂級會議：NIPS, ICML, UAI, AISTATS; （期刊：JMLR, ML, Trends in ML, IEEE T-NN）計算機視覺和影象識別：ICCV, CVPR, ECCV; （期刊：IEEE T-

【轉載】機器學習入門好文，強烈推薦

轉載自：https://www.cnblogs.com/subconscious/ 強烈推薦--入門必讀 如果你做好準備了，那一定耐心的讀完，你一定會有所收穫。（大概需要10分鐘） 　　在進入正題前，我想讀者心中可能會有一個疑惑：機器學習有什麼重要性，以至於要閱讀完這篇非常長的文章呢？

【轉載】機器學習計算距離和相似度的方法

3. 向量內積 向量內積是線性代數裡最為常見的計算，實際上它還是一種有效並且直觀的相似性測量手段。向量內積的定義如下： 直觀的解釋是：如果 x 高的地方 y 也比較高， x 低的地方 y 也比較低，那麼整體的內積是偏大的，也就是說 x 和 y 是相似的。舉個例子，在一段長的序列訊號 A 中尋找哪一段與短序

【轉載】Spark學習——spark中的幾個概念的理解及參數配置

program submit man 聯眾 tail 進行 orb 數據源 work 首先是一張Spark的部署圖： 節點類型有： 1. master 節點： 常駐master進程，負責管理全部worker節點。2. worker 節點： 常駐worker進程，負責管理

【轉載】Caffe學習：運行caffe自帶的兩個簡單例子

0.00 練習 siam 其它 sudo 單例 復制 腳本 policy 原文：http://www.cnblogs.com/denny402/p/5075490.html 為了程序的簡潔，在caffe中是不帶練習數據的，因此需要自己去下載。但在caffe根目錄下的data

【轉載】JAVA學習路線二

get rocket 原理 aop 二次 三次握手 active AD cpu JAVA學習路線二------------高階面試 作者：Java高級進階鏈接：https://zhuanlan.zhihu.com/p/35301291來源：知乎著作權歸作者所有。商業轉載請聯

【方法論】機器學習算法概覽

bootstra c4.5 enc letter 當下 重要 dial 最大 local http://blog.itpub.net/31542119/viewspace-2168911/ 1、 監督式學習 工作機制：這個算法由一個目標變量或結果變量（或因變量）組成。這

【轉載】springmvc學習筆記

轉自：https://www.cnblogs.com/sunniest/p/4555801.html 一、SpringMVC基礎入門，建立一個HelloWorld程式 1.首先，匯入SpringMVC需要的jar包。 2.新增Web.xml配置檔案中關於SpringMVC的配置

【ML2】機器學習之線性迴歸

【知識儲備】 線性迴歸： 1： 函式模型（Model）： 假設有訓練資料   那麼為了方便我們寫成矩陣的形式   2： 損失函式（cost）：  現在我們需要根據給定的X求解W的值，這裡採用最小二乘法。   

【ML1】機器學習之EM演算法（含演算法詳細推導過程）

        寫在前面的話：對於EM演算法（Expectation Maximization Algorithm， 最大期望演算法）， 大家如果僅僅是為了使用，則熟悉演算法流程即可。此處的演算法推導過程，僅提供給大家進階 之用。對於其應用，

【A】機器學習 過擬合與正則化

過擬合問題 預測房價的模型： 第一張圖對該資料做線性迴歸，可以獲得擬合數據的這樣一條直線，實際上這並不是一個很好的模型。很明顯，隨著房子面積增大，住房價格的變化趨於穩定或者說越往右越平緩。因此線性迴歸並沒有很好擬合訓練資料。我們把此類情況稱為欠擬合(un

【轉載】深度學習框架對比

 深度學習研究的熱潮持續高漲，各種開源深度學習框架也層出不窮，其中包括TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon，等等。然而TensorFlo

【原始碼】機器學習中的投影牛頓型方法

機器學習中的投影牛頓型方法 我們考慮用於解決機器學習及相關領域中出現的大規模優化問題的投影牛頓型方法。 We consider projected Newton-type methodsfor solving large-scale optimization

【轉載】Hyperledger學習小結

Hyperledger學習小結   自學Hyperledger Composer也有段時間了，是時候對所學的知識總結一下了。因為沒有實際專案參與的話，差不多也就到此為止了。後續可能會去了解一下以太坊的技術實踐。所以在這之前，有必要對之前掌握的內容做一下小結，整理下整個Hyperle

【 分類 】- 機器學習

專欄達人 授予成功建立個人部落格專欄

【udacity】機器學習

Evernote Export body,td { font-family: 微軟雅黑; font-size: 10pt } 2.人工智慧簡介 機器學習源自於人工智慧，在此方向上，該領域有分為不同學派，機器學習主要關注的是製造能夠自主動作的機器 3.人工智慧難題 1

【轉】機器學習--- 分類演算法詳解

原文連結：http://blog.csdn.net/china1000/article/details/48597469 感覺狼廠有些把機器學習和資料探勘神話了，機器學習、資料探勘的能力其實是有邊界的。機器學習、資料探勘永遠是給大公司的業務錦上添花的

【乾貨】機器學習實戰——LBP特徵提取

作者：張旭編輯：欒志勇零全篇概述：LBP(Local Binary Pattern)演算法是一種

【筆記】機器學習所涉及到的“微積分”知識

前言，建議大家如果有打算把數學這塊兒搞明白，最好把考研的時候用的數三的三大本書（高等數學，概率論與數理統計、線性代數三本書）買過來，再研究下各個結論是如何證明的，學過的東西再拾起來很容易的。 本文主要內容： 極限 複習極限記號，無窮大無窮小階數 微分學

【udacity】機器學習-波士頓房價預測

import numpy as np import pandas as pd from Udacity.model_check.boston_house_price import visuals as vs # Supplementary code from sklearn.model_