XiaoMi-AI文件搜索系统
World File Search SystemLeskovec
使用人工智能支持管道工程和
[1] Leskovec, J.，大型图上的归纳表示学习，2017 年 [2] Hamilton, W.，图表示学习，2020 年 [3] Oeing, J. 等人，Dig.Chem.Eng.，2022 年
Chenqing (William) Hua
图形神经网络何时有助于节点分类？在节点可区分性上研究同质原理第37届神经信息处理系统会议https://arxiv.org/abs/2304.14274 Luan，S.，Hua，Hua，C.，Xu，Xu，M.，Lu，M.，Lu，Lu，Q.
课程描述机器学习和大数据SSD：...
知识和理解学生必须了解主要的机器学习（ML）算法，并且必须证明根据问题本身的要求选择最合适的ML算法以解决特定问题的能力。学生还必须知道用于正确评估ML算法的性能的技术。学生必须了解主要的大数据框架，以获取，模型，共享，分析，分析和可视化大量信息。学生还必须证明他/她能够选择最合适的框架来处理不同的任务。应用知识和理解学生必须证明能够通过使用机器学习技术来解决实际问题。学生还必须证明他/她可以正确评估基于机器学习的系统的性能。学生必须证明能够通过不同的大数据框架来管理，建模和分析大量数据，以处理不同的任务，还可以评估设计架构的性能。课程内容/教学大纲数据挖掘和机器学习。知识表示：树木，规则，集群。（0.5 CFU）基本机器学习方法：统计建模，线性模型，基于实例的学习，聚类。（0.75 CFU）绩效评估：交叉验证，成本敏感分类，ROC曲线。（0.5 CFU）高级机器学习：决策树，支持向量机，MLP（0.75 CFU）数据转换：属性选择，PCA（0.25 CFU）。深度学习：深网的培训和绩效评估，卷积神经网络。（0.75 CFU）大数据库系统简介。大数据的数据模型。NOSQL数据库：键值 - 列 - 族，图数据库系统。（1.5 CFU）大数据系统简介。大数据系统的定义。Hadoop生态系统。纱。猪。蜂巢。Giraph。 火花。 （2.5 CFU）大数据分析简介（BDA）：BDA生命周期：数据库中的知识发现，数据准备，模型计划，模型构建，数据可视化。 （1 CFU）商用和开源工具的示例：Oracle，IBM业务分析，Microsoft Power BI，Microsoft Azure。 aws。 SAP HANA（1 CFU）阅读/参考书目数据挖掘：实用的机器学习工具和技术。 - 第4版。 / Ian H. Witten，Frank Eibe，Mark A. < / div> 霍尔，克里斯托弗·J·帕尔 - 摩根·考夫曼（Morgan Kaufmann），2017年。 大规模数据集的采矿”，J。Leskovec，A。Rajaraman，J.D.Ullman，2014年（在线书）。 课程（或模块）讲座和实验室活动的教学方法。 考试/评估标准Giraph。火花。（2.5 CFU）大数据分析简介（BDA）：BDA生命周期：数据库中的知识发现，数据准备，模型计划，模型构建，数据可视化。（1 CFU）商用和开源工具的示例：Oracle，IBM业务分析，Microsoft Power BI，Microsoft Azure。aws。SAP HANA（1 CFU）阅读/参考书目数据挖掘：实用的机器学习工具和技术。- 第4版。 / Ian H. Witten，Frank Eibe，Mark A. < / div> 霍尔，克里斯托弗·J·帕尔 - 摩根·考夫曼（Morgan Kaufmann），2017年。 大规模数据集的采矿”，J。Leskovec，A。Rajaraman，J.D.Ullman，2014年（在线书）。 课程（或模块）讲座和实验室活动的教学方法。 考试/评估标准- 第4版。/ Ian H. Witten，Frank Eibe，Mark A. < / div>霍尔，克里斯托弗·J·帕尔 - 摩根·考夫曼（Morgan Kaufmann），2017年。大规模数据集的采矿”，J。Leskovec，A。Rajaraman，J.D.Ullman，2014年（在线书）。课程（或模块）讲座和实验室活动的教学方法。考试/评估标准
标题可解释性在创建值得信赖的...中的作用
全局 BETA 模型 [37*] 树提取 - Bastani、Kim 和 Bastani [38*] 提炼和比较模型 - Tan、Caruana、Hooker 和 Lou [39] 符号元模型 - Alaa 和 van der Schaar [40] 局部 LIME - Ribeiro 等人。 [26] 锚点——Ribeiro、Singh 和 Guestrin [41] 归因全局 PDP——Friedman [42] 特征交互——Friedman 和 Popescu [43] ALE——Apley 和 Zhu [44*] 特征重要性——Fisher、Rudin 和 Dominici Kapelner、Bleich 和 Pitkin [47] QII——Datta、Sen 和 Zick [48] SHAP——Lundberg 和 Lee [49] LOCO——Lei 等人。 [46] INVASE - Yoon, Jordon 和 van der Schaar [50] 全球影响力实例示例 - Cook [51] MMD-critic - Kim, Khanna 和 Koyejo [52] 本地影响力实例 - Cook [51] 无条件反事实解释 - Wachter, Mittelstadt 和 Russell
内容 - 学生积极寻找全职职位...
多视图分析的合作学习D. Ding，B。Narasimhan，R。Tibshirani，国家科学院论文集（PNAS），2022年。机器学习引导的脂质纳米粒子设计用于mRNA Delivery D. Ding，Y。Zhang，Y。Jia，J。太阳。ICML计算生物学研讨会，2023年。使用图表来处理缺失的数据学习X. MA*，J。you*，D。ding*，M。Kochenderfer，J。Leskovec。神经，2020年。（*同等贡献）ngboost：概率预测的自然梯度提升T. Duan，A。Avati，D。Ding，S。Basu，A。Ng，A。Schuler。ICML，2020。通过电子健康记录数据D. Ding，C。Simpson，S。Pfohl，D。Kale，K。Jung，Jung，N。Shah，多任务学习在表型中的有效性。太平洋生物计算研讨会，2019年，聚光灯介绍。胸部X光片诊断的深度学习：Chexnext算法与执业放射学家P. Rajpurkar的回顾性比较，…，D。Ding，…，A。Ng。PLOS Medicine，2018年。由麻省理工学院技术评论和斯坦福新闻报道。学习总结放射学发现Y. Zhang，D。ding，T。Qian，C。Manning，C。Langlotz。关于健康文本挖掘和信息分析的国际研讨会，EMNLP，2018年，Spotlight演示文稿。经验
Shenglong Xu：课程vitae
[ 5 ] Xuan Zhang, Limei Wang, Jacob Helwig, Youzhi Luo, Cong Fu, Yaochen Xie, Meng Liu, Yuchao Lin, Zhao Xu, Keqiang Yan, Keir Adams, Maurice Weiler, Xiner Li, Tianfan Fu, Yucheng Wang, Haiyang Yu, YuQing Xie, Xiang Fu, Alex Strasser, Shenglong Xu , Yi Liu, Yuanqi Du, Alexandra Saxton, Hongyi Ling, Hannah Lawrence, Hannes Stärk, Shurui Gui, Carl Edwards, Nicholas Gao, Adriana Ladera, Tailin Wu, Elyssa F. Hofgard, Aria Mansouri Tehrani, Rui Wang, Ameya Daigavane, Montgomery Bohde, Jerry Kurtin, Qian Huang, Tuong Phung, Minkai Xu, Chaitanya K. Joshi, Simon V. Mathis, Kamyar Azizzadenesheli, Ada Fang, Alán Aspuru-Guzik, Erik Bekkers, Michael Bronstein, Marinka Zitnik, Anima Anandkumar, Stefano Ermon，PietroLiò，Rose Yu，StephanGünnemann，Jure Leskovec，Heng JI，Jimeng Sun，Regina Barzilay，Tommi Jaakkola，Connor W. Coley，Coley，Coley，Xiaoning Qian，Xiaofeng Qian，Xiaofeng Qian，Tess Smidt和Shuiiwang Ji。“量子，原子和连续体系中科学的人工智能”。Arxiv预印型ARXIV：2307。08423（2023）。
基础模型的机遇与风险 - arXiv
Rishi Bommasani* Drew A. Hudson Ehsan Adeli Russ Altman Simran Arora Sydney von Arx Michael S. Bernstein Jeannette Bohg Antoine Bosselut Emma Brunskill Erik Brynjolfsson Shyamal Buch Dallas Card Rodrigo Castellon Niladri Chatterji Annie Chen Crescent Crescent Daro 和 Chris Doncy Moussa Doumbouya Esin Durmus Stefano Ermon John Etchemendy Kawin Ethayarajh 李飞飞 Chelsea Finn Trevor Gale Lauren Gillespie Karan Goel Noah Goodman Shelby Grossman Neel Guha Tatsunori Hashimoto Peter Henderson John Hewitt Daniel E. Ho Jenny J Hong Hong J. Jag 和 Thomas H. Jaghil I. Pratyusha Kalluri Siddharth Karamcheti Geoff Keeling Fereshte Khani Omar Khattab Pang Wei Koh Mark Krass Ranjay Krishna Rohith Kuditipudi Ananya Kumar Faisal Ladhak Mina Lee Tony Lee Jure Leskovec Isabelle Levent Xiang Lisa Li Xuechen Li Tengyu Ma Ali Malik Dtch Mikwall Manning Mikwall Mikwane Eric Dtch. Suraj Nair Avanika纳拉扬 迪帕克·纳拉亚南 本·纽曼 艾伦·聂 胡安·卡洛斯·尼布尔斯 哈米德·尼勒福罗尚 朱利安·尼亚尔科 吉雷·奥古特 劳雷尔·奥尔 伊莎贝尔·帕帕迪米特里奥 朴俊成 克里斯·皮耶希 伊娃·波特兰斯 克里斯托弗·波茨 阿迪蒂·拉古纳坦 罗布·赖希 任洪宇 弗里达·荣 尤瑟夫·罗哈尼 罗希亚·瑞安 罗希亚·罗 多拉·瑞安 卡梅罗 R. 佐川诗织Keshav Santhanam Andy Shih Krishnan Srinivasan Alex Tamkin Rohan Taori Armin W. Thomas Florian Tramèr Rose E. Wang William Wang Bohan 吴家俊 吴玉怀 吴桑 谢志强 Michihiro Yasunaga Jiaxuan You Matei Zaharia Michael 张天一 张希坤 张宇恒 张鲁恒 周凯蒂 珀西梁*1
质疑人工智能预测：影响力驱动的第二意见推荐
[1] Gagan Bansal、Besmira Nushi、Ece Kamar、Dan Weld、Walter Lasecki 和 Eric Horvitz。2019 年。人机协作团队向后兼容的案例。ICML 人机协作学习研讨会 (2019)。[2] Gagan Bansal、Tongshuang Wu、Joyce Zhou、Raymond Fok、Besmira Nushi、Ece Kamar、Marco Tulio Ribeiro 和 Daniel Weld。2021 年。整体是否超过部分？人工智能解释对互补团队绩效的影响。在 CHI 计算机系统人为因素会议论文集上。1-16。 [3] Umang Bhatt、Javier Antorán、Yunfeng Zhang、Q Vera Liao、Prasanna Sattigeri、Riccardo Fogliato、Gabrielle Gauthier Melançon、Ranganath Krishnan、Jason Stanley、Omesh Tickoo 等人。2020 年。不确定性作为透明度的一种形式：测量、传达和使用不确定性。arXiv 预印本 arXiv:2011.07586 (2020)。[4] Zana Buçinca、Maja Barbara Malaya 和 Krzysztof Z Gajos。2021 年。信任还是思考：认知强制函数可以减少人工智能辅助决策对人工智能的过度依赖。ACM 人机交互论文集 5，CSCW1 (2021)，1-21。 [5] Rich Caruana、Yin Lou、Johannes Gehrke、Paul Koch、Marc Sturm 和 Noemie Elhadad。2015 年。医疗保健的可理解模型：预测肺炎风险和 30 天内住院率。第 21 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集。1721–1730。[6] R Dennis Cook。1986 年。局部影响力评估。皇家统计学会杂志：B 系列（方法论）48，2（1986 年），133–155。[7] Maria De-Arteaga、Artur Dubrawski 和 Alexandra Chouldechova。2021 年。利用专家一致性改进算法决策支持。arXiv 预印本 arXiv:2101.09648（2021 年）。 [8] Maria De-Arteaga、Riccardo Fogliato 和 Alexandra Chouldechova。2020 年。《人机交互案例：在存在错误算法评分的情况下做出决策》。2020 年 CHI 计算机系统人为因素会议论文集。1-12。[9] Berkeley J Dietvorst、Joseph P Simmons 和 Cade Massey。2015 年。《算法厌恶：人们在发现算法错误后会错误地避开算法》。《实验心理学杂志：综合》144, 1 (2015)，114。[10] Kelwin Fernandes、Jaime S Cardoso 和 Jessica Fernandes。2017 年。《具有部分可观测性的迁移学习应用于宫颈癌筛查》。《伊比利亚模式识别与图像分析会议》。Springer，243-250。 [11] Yarin Gal 和 Zoubin Ghahramani。2016 年。Dropout 作为贝叶斯近似：表示深度学习中的模型不确定性。在国际机器学习会议 (ICML) 中。1050–1059。[12] Ruijiang Gao、Maytal Saar-Tsechansky、Maria De-Arteaga、Ligong Han、Min Kyung Lee 和 Matthew Lease。2021 年。通过 Bandit 反馈实现人机协作。IJCAI (2021)。[13] Pang Wei Koh 和 Percy Liang。2017 年。通过影响函数理解黑盒预测。在第 34 届国际机器学习会议论文集-第 70 卷中。JMLR。org，1885–1894 年。[14] Himabindu Lakkaraju、Jon Kleinberg、Jure Leskovec、Jens Ludwig 和 Sendhil Mullainathan。2017 年。选择性标签问题：在存在不可观测因素的情况下评估算法预测。第 23 届 ACM SIGKDD 国际知识发现与数据挖掘会议论文集。ACM，275–284。