题目： Active Learning: From Theory to Practice

简介：

近年来，机器学习领域取得了相当大的进步，但主要是在定义明确的领域中使用了大量带有人类标记的训练数据。机器可以识别图像中的物体并翻译文本，但它们必须接受比人一生所能看到的更多的图像和文本的训练。生成必要的训练数据集需要大量的人力工作。Active ML旨在解决这个问题，它设计了一种学习算法，能够自动、自适应地选择最具信息性的数据进行标记，这样就不会浪费人类的时间来标记不相关、冗余或琐碎的例子。本教程将概述应用程序，并介绍主动机器学习的基本理论和算法。它将特别关注可证明的健全的主动学习算法，并量化学习所需的标记训练数据的减少。

邀请嘉宾：

Robert Nowak是威斯康星大学麦迪逊分校的诺斯布施工程教授，他的研究重点是信号处理、机器学习、优化和统计。

Steve Hanneke是芝加哥丰田技术研究所的研究助理教授。他的研究探索了机器学习理论:设计新的学习算法，能够从更少的样本中学习，理解交互式机器学习的好处和能力，开发迁移学习和终身学习的新视角，并在学习理论的基础上重新审视基本的概率假设。Steve于2005年在UIUC获得了计算机科学学士学位，2009年在卡内基梅隆大学获得了机器学习博士学位，并完成了一篇关于主动学习理论基础的论文。