明天2場直播課 | 可擴展的端到端譜聚類、自然語言處理中的多任務學習&復旦大學NLP實驗室介紹

社長提醒：明天共有兩場直播課，分別是【10:00大講堂】和【20:00職播間】，請注意開播時間哦~

10:00 | 大講堂

分享主題

可擴展的端到端譜聚類（Oral Paper, Wu et al, KDD 2018)

分享背景

譜聚類是數據聚類研究領域裏最有效的方法之一，從90年底被提出至今，二十年來一直受到學術界的廣泛關注。譜聚類有着非常廣泛的實際應用，是最基本的數據分析工具之一。但是譜聚類一直以來最大的缺點在於對大數據的可擴展性，使得其很難適應今天大數據的時代。在本次公開課中，我將分享其關於我們開發可擴展的端到端的譜聚類新方法的最新研究工作。我們提出的方法可以同時加速數據到圖的構建和大矩陣特徵分解，使得傳統的譜聚類可以重新得力。在對大數據的處理上，我們的新提出譜聚類的方法的效果和效率上都比其他類似方法更優。

分享嘉賓

吳凌飛，IBM全球研究院總部（IBM T.J. Watson Research Center) 研究員，威廉瑪麗大學計算機系博士，主要研究方向爲機器學習，深度學習，表徵學習，自然語言處理，大數據。吳博士已經發表20幾篇頂尖雜誌和會議，包含但不侷限於KDD, ICDM, AISTATS, EMNLP, AAAI, ICASSP, SC, SIAM Journal on Scientific Computing, IEEE Transaction on Big Data, and Journal of Computational Physics。吳博士同時也是13項美國專利的發明人。

分享提綱

1、譜聚類的應用，挑戰，和當前的方法利弊比較。

2、重點介紹我們新提出方法SC_RB的兩個重點模塊，Random Binning核近似技術（Wu et al., KDD 2016），和目前最好的大矩陣特徵分解軟件 PRIMME （Wu et al., SISC 2015，Wu et al., SISC 2017）。

3、介紹基於Random Binning 和 PRIMME的SC_RB （Wu et al, KDD 2018)，最新的端到端的譜聚類方法。

分享時間

（北京時間） 10 月 22 日（星期一） 10:00

錯過直播不要緊，回放視頻上傳後也能繼續看哦~

直播鏈接

https://www.mooc.ai/open/course/579

20:00 | 職播間

分享主題

自然語言處理中的多任務學習 & 復旦大學NLP實驗室介紹

分享背景

過去幾年，深度學習在自然語言處理中取得了很大的進展，但進展的幅度並不像其在計算機視覺中那麼顯著。其中一個重要的原因是數據規模問題。多任務學習是將多個任務一起學習，充分挖掘多個任務之間的相關性，來提高每個任務的模型準確率，從而可以減少每個任務對訓練數據量的需求。在本次公開課中，講者將分享其所在研究組關於多任務學習在自然語言處理領域的最新工作。

分享嘉賓