雷鋒網(wǎng)按：美國時間12月4日，第31屆神經(jīng)信息處理系統(tǒng)大會（Neural Information Processing Systems，NIPS）在美國長灘會議中心開幕。其中，在正會第三天（12月7日）上午，大會邀請牛津大學(xué)統(tǒng)計學(xué)教授、Deepmind研究科學(xué)家Yee Whye Teh（中文名：鄭宇懷）發(fā)表了題為《Bayesian Deep Learning and Deep Bayesian Learning》（貝葉斯深度學(xué)習(xí)與深度貝葉斯學(xué)習(xí)）的報告。雷鋒網(wǎng)特此整理了報告的視頻及PPT供讀者進行學(xué)習(xí)。

關(guān)于演講人

Yee Whye Teh是牛津大學(xué)統(tǒng)計學(xué)教授、Deepmind研究科學(xué)家。他于1997年于加拿大滑鐵盧大學(xué)獲得計算機科學(xué)與數(shù)學(xué)學(xué)士學(xué)位，之后在多倫多大學(xué)師從Geroffery Hinton，并于2003年獲得計算機博士學(xué)位。他還是Hinton那篇劃時代論文《A fast learning algorithm for deep belief nets》的署名作者之一，在此前召開的ICML 2017大會上， Yee Whye Teh擔(dān)任大會Program Chair。

演講摘要

概率論和貝葉斯推理是我們理解機器學(xué)習(xí)的主要理論支柱之一。 在過去的二十年里，它激發(fā)了一整套成功的機器學(xué)習(xí)方法，并影響了許多社區(qū)研究人員的思維。 另一方面，在過去的幾年里，深度學(xué)習(xí)的興起徹底改變了這個領(lǐng)域，并導(dǎo)致了一系列現(xiàn)代化，時代定義的成功。 在這次演講中，我將探討機器學(xué)習(xí)這兩個觀點之間的界面，通過我參與的一些項目，探討如下問題：概率思維如何幫助我們理解深度學(xué)習(xí)方法，或者引導(dǎo)我們開發(fā)有趣的新方法？ 相反，深度學(xué)習(xí)技術(shù)如何幫助我們開發(fā)先進的概率方法？

視頻及PDF下載地址

付費本文或加入雷鋒網(wǎng)會員，獲取NIPS 2017演講PPT。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。