矩阵分解方法在机器学习中的应用与进展

矩阵分解方法在机器学习中的应用与进展 扫二维码继续学习 二维码时效为半小时

免费

课程介绍

主讲人:郭栋

 

南加州大学计算机系PhD candidate,本科就读于中国科技大学物理系;在TRB,ICASSP,TKDE发表过数篇会议与期刊文章,并有一篇JMLR文章在申;曾在Google Machine Intelligence实习。

 

 

▣ 主题: 矩阵分解方法在机器学习中的应用与进展

 

▣ 时间:2月26日 20:00-22:00

 

▣ 形式:视频直播

 

▣ 课程梗概:

 

矩阵分解(matrix factorization)是机器学习中的基本工具(例如SVD, NMF)和重要算法(降维,latent factor model),在工业界得到了广泛有效的应用(例如推荐系统),并在学术界持续启发大量特征学习,优化算法等领域的工作。矩阵分解的优点在于简洁的数学表示,适于处理大规模数据,便于结合多种信息和限制(regularization),并且分解结果具有良好的可解释性。

 

本讲座通过经典应用解释矩阵分解中的重要概念和方法,并介绍一些相关领域最近的研究进展。