MLRec 2016

Miami, Florida, USA Efter succesen med den sidste udgave af MLRec fokuserer denne anden udgave på anvendelsen af såvel nye som eksisterende metoder inden for maskinlæring og datamining til at forbedre anbefalingssystemer. Der findes mange veletablerede konferencer som f.eks.

NIPS og ICML, der fokuserer på studiet af de teoretiske egenskaber ved algoritmer til maskinlæring. På den anden side fokuserer den nyere konference ACM RecSys på forskellige aspekter ved design og implementering af anbefalingssystemer. Vi mener, at der er et gab mellem disse to yderpunkter, og denne workshop har til formål at overføre de seneste fremskridt inden for algoritmer til maskinlæring og datamining til forbedring af anbefalingssystemer. Da mange anbefalingsmetoder er bygget på algoritmer til datamining og maskinlæring, er disse metoder dybt forankret i deres grundlag.

Derfor er der et presserende behov for, at forskere fra de to miljøer samarbejder om 1) hvilke nyligt udviklede teknikker inden for maskinlæring og datamining der kan udnyttes til at løse udfordringer i anbefalingssystemer, og 2) hvilke praktiske forskningsretninger der opstår i miljøet for maskinlæring og datamining baseret på udfordringer i anbefalingssystemer. Emner af interesse Vi opfordrer til indsendelse af bidrag inden for en række emner, herunder men ikke begrænset til: Nye algoritmer til maskinlæring til anbefalingssystemer, f.eks. nye indholds- eller kontekstbevidste anbefalingsalgoritmer, nye algoritmer til matrixfaktorisering der håndterer elementer med cold-start, tensorbaserede metoder til anbefalingssystemer osv.

Nye metoder til anvendelse af eksisterende algoritmer til maskinlæring, f.eks. anvendelse af bilineære modeller, (ikke-konveks) sparse learning, metrisk læring, lav-rangs approksimation/PCA/SVD, neurale netværk og deep learning til anbefalingssystemer. Nye optimeringsalgoritmer og analyser til forbedring af anbefalingssystemer, f.eks. parallelle/distribuerede optimeringsteknikker og effektiv stokastisk gradientnedstigning. Industrielle praksisser og implementeringer af anbefalingssystemer, f.eks. feature engineering, model-ensemble og erfaringer fra storskala-implementeringer af anbefalingssystemer.

Metoder til maskinlæring til sikkerheds- og privatlivsbevidste anbefalinger, brugercentrerede anbefalinger med fokus på brugernes interaktion og engagement, Explore-Exploit-metoder, multi-armed bandits til anbefalinger osv. Indsendelsesinstruktioner Workshoppen accepterer både lange artikler og korte (demo/plakat) artikler.

Korte artikler indsendt til denne workshop bør være begrænset til 4 sider, mens lange artikler bør være begrænset til 8 sider. Alle artikler skal formateres ved hjælp af SIAM SODA-makroen . Forfatterne skal indsende deres artikler elektronisk i PDF-format til indsendelsessiden senest kl. 23:59 MDT d.

Related: Coursera (DeepLearning.AI & university specializations) — University- and industry-branded ML specializations with graded assignments and shareable certificates.

1. februar 2016. Siden er begyndt at acceptere manuskripter. Vigtige datoer Indsendelse af artikel: 1. februar 2016 Besked til forfattere: 10. februar 2016 Frist for camera ready-artikel: 15. februar 2016 Workshop: Lørdag d.

2. maj 2016 På grund af et systemproblem har anmelderne ikke kunnet indsende deres anmeldelser til tiden. Vi har derfor udsat datoen for besked til forfattere og fristen for camera ready. Tak for din forståelse. —> Præsentationsslider fra talerne er nu tilgængelige i programmet . —> Inviterede talere Tina Eliassi-Rad , Rutgers University Titel: Anvendelse af sociale netværk i anbefalingssystemer Resumé: Overvej problemstillingen ved at inkorporere information fra sociale netværk i et anbefalingssystem.

Intuitivt burde løsningen på dette problem forbedre anbefalingssystemets ydeevne. I dette foredrag vil jeg diskutere udfordringerne, præsentere den aktuelle state-of-the-art og skitsere nogle lovende retninger for dette problem. Biografi: Tina Eliassi-Rad er lektor i datalogi ved Rutgers University.

Where we would start: Udemy — One-off, low-cost ML and recommender-systems courses you own forever.

Før hun kom til akademiet, var hun Member of Technical Staff og Principal Investigator ved Lawrence Livermore National Laboratory. Tina opnåede sin ph.d. i datalogi (med biemne i matematisk statistik) ved University of Wisconsin-Madison. Hendes nuværende forskning befinder sig i krydsfeltet mellem graf-mining, netværksvidenskab og computervidenskabelig socialvidenskab.

Inden for datamining og maskinlæring er Tinas forskning blevet anvendt på World-Wide Web, tekstkorpusser, storskala videnskabelige simulationsdata, komplekse netværk, svindeldetektering og cyber-situationsbevidsthed. Hun har publiceret over 60 fagfællebedømte artikler (herunder en runner-up pris for bedste artikel ved ICDM’09 og en pris for bedste tværfaglige artikel ved CIKM’12) og har holdt over 120 inviterede foredrag.

Hendes algoritmer er blevet integreret i systemer brugt af regering og industri (f.eks. IBM System G Graph Analytics) samt i open source-software (f.eks. Stanford Network Analysis Project). I 2010 modtog hun en Outstanding Mentor Award fra US DOE Office of Science.

For flere detaljer, besøg her . Julian McAuley , University of California, San Diego Titel: Udnyttelse af anmeldelser til at opbygge rigere modeller af holdninger Resumé: Online anmeldelser er ofte vores første stop, når vi overvejer produkter og køb online.

Men det er besværligt at navigere i store mængder af anmeldelser (hvoraf mange måske er uenige med os), især når vi er interesserede i nogle niche-aspekter af et produkt. Dette antyder et behov for at opbygge modeller, der er i stand til at fange den komplekse og idiosynkratiske semantik i anmeldelser for at skabe rigere og mere personlige anbefalingssystemer. I dette foredrag vil jeg diskutere tre sådanne retninger: For det første, hvordan kan anmeldelser udnyttes til bedre at forstå dimensionerne (eller facetterne) i folks holdninger?

For det andet, hvordan kan anmeldelser bruges til at besvare målrettede spørgsmål, der kan være subjektive eller kræve personlige svar? Og for det tredje, hvordan kan anmeldelserne selv syntetiseres, så man kan forudsige, hvad en anmelder ville sige, selv for produkter de endnu ikke har set? Biografi: Julian McAuleys forskning fokuserer på de lingvistiske, temporale og visuelle dimensioner af holdninger og adfærd i sociale netværk og online communities.

Related: Manning Publications — Deep, project-driven ML books and video courses — including the MEAP early-access program.

Dette inkluderer forståelse af facetterne i folks holdninger, de processer hvormed folk “tilegner sig smag” for gourmetmad og øl, eller endda de visuelle dimensioner, der gør tøjstykker kompatible. Han har været assistant professor ved UC San Diego siden 2014 og modtog sin ph.d. fra Australian National University. Hanghang Tong , Arizona State University Titel: Mod optimale teams i store netværk Resumé: I sin verdensberømte bog “The Science of the Artificial” påpegede nobelpristageren Herbert Simon, at det mere er kompleksiteten i omgivelserne end kompleksiteten hos de enkelte personer, der bestemmer menneskers komplekse adfærd.

Fremkomsten af netværksvidenskab og adventen af big data skaber et nyt miljø/en ny kontekst, hvor mennesker interagerer og samarbejder med hinanden for kollektivt at udføre nogle komplekse opgaver. I dette foredrag vil vi opsummere vores seneste indsats med at analysere teamyddeevne i konteksten af store netværk.

Først (karakterisering): Vi vil præsentere vores fund om hvilke typer netværksmétrikker/karakteristika der er afgørende for teamyddeevne, og i hvilket omfang. Dernæst (prediktion): Vi vil præsentere prediktive modeller til at forudsige ydeevnen for et givent team på et tidligt tidspunkt baseret på dets netværksstruktur. Endelig (forbedring): Vi vil præsentere værktøjer og algoritmer til at forbedre ydeevnen for et eksisterende team. Biografi: Hanghang Tong er i øjeblikket assistant professor ved School of Computing, Informatics, and Decision Systems Engineering (CIDSE), Arizona State University.

If you are shopping: DataCamp — Browser-based, hands-on ML and data-science tracks you can start in 10 minutes.

Inden da var han assistant professor ved Computer Science Department, City College, City University of New York, forskningsmedarbejder ved IBM T.J. Watson Research Center og postdoc ved Carnegie Mellon University.

Han modtog sin cand.scient.- og ph.d.-grad fra Carnegie Mellon University i 2008 og 2009, begge med hovedvægt i maskinlæring. Hans forskningsinteresser ligger inden for storskala datamining af grafer og multimedia. Han har modtaget flere priser, herunder en ‘test of time’-pris (ICDM

P.S. A few readers have asked which interactive learning platform we actually reach for — it's DataCamp; take a look here if you want the current details.