题目： Machine Learning Meets Big Spatial Data

简介： 生成数据量的激增推动了可伸缩的机器学习解决方案的兴起，从而可以有效地分析此类数据并从中提取有用的见解。同时，近年来，空间数据已经变得无处不在，例如GPS数据。大空间数据的应用涉及广泛的领域，包括跟踪传染病，模拟气候变化，吸毒成瘾等等。因此，通过提供对现有机器学习解决方案的空间扩展或从头开始构建新的解决方案，人们付出了巨大的努力来支持这些应用程序内部的有效分析和智能。在这个90分钟的教程中，我们全面回顾了机器学习和大空间数据交汇处的最新技术。我们涵盖了机器学习三个主要领域中的现有研究工作和挑战，即数据分析，深度学习和统计推断，以及两个高级空间机器学习任务，即空间特征提取和空间采样。我们还强调了该领域未来研究中存在的开放性问题和挑战。

嘉宾介绍： Ibrahim Sabek是明尼苏达大学计算机科学与工程系的博士候选人。 他获得了理学硕士学位。 他于2017年在同一部门获得博士学位。他的研究兴趣在于大空间数据管理，空间计算和可伸缩机器学习系统之间的交叉领域。 易卜拉欣已获得ACM SIGSPATIAL 2018最佳论文奖的提名，并获得了ACM SIGMOD学生研究竞赛（SRC）2017决赛阶段的资格。在博士期间，他与NEC Labs America和Microsoft Research（MSR）合作 ）。 易卜拉欣在ACM TSAS，IEEE ICDE，ACM SIGSPATIAL，IEEE TMC等顶级研究机构发表了许多论文，并在VLDB和ACM SIGMOD上展示了他的工作。

Mohamed F.Mokbel是卡塔尔计算研究所的首席科学家，也是明尼苏达大学的教授。 他目前的研究兴趣集中于大空间数据和应用程序的系统和机器学习技术。 他的研究工作已获得VLDB十年最佳论文奖，四个会议最佳论文奖和NSF职业奖。 除了在其他社区的一线场所（包括IEEE ICDM和ACM CCS）的教程之外，穆罕默德还在VLDB / SIGMOD / ICDE / EDBT会议上提供了六篇教程。 这些教程都不会与本教程建议重叠。 穆罕默德（Mohamed）是ACM SIGPATIAL的当选主席，目前是分布式和并行数据库期刊的主编，并且是ACM Books，ACM TODS，VLDB Journal，ACM TSAS和GoeInformatica期刊的编辑委员会成员。