วารสารที่ดีและมีอิสระสำหรับการติดตามการพัฒนาล่าสุดในการเรียนรู้ของเครื่องคืออะไร


13

อย่าลังเลที่จะแทนที่ 'วารสาร' สำหรับพอร์ทัลความรู้ที่มีประโยชน์อื่น ๆ

ฉันสนใจที่จะจับตาดูการพัฒนาใหม่ในการเรียนรู้ของเครื่องด้วยมุมมองของการใช้งานจริง ฉันไม่ใช่นักวิชาการที่ต้องการเผยแพร่ผลงานของตัวเอง (อย่างน้อยไม่ได้อยู่ในสาขานี้) แต่ฉันต้องการที่จะตระหนักถึงอัลกอริทึมหรือลูกเล่นใหม่ ๆ ที่อาจเป็นประโยชน์ในระดับปฏิบัติ

ข้อแม้เดียวก็คือว่าการดำเนินการวารสาร / การประชุมหรือสิ่งที่จะต้องมีอยู่อย่างอิสระโดยไม่ต้องสมัครสมาชิก


รายการ arxiv สำหรับการส่งการเรียนรู้ของเครื่องล่าสุดก็เป็นตัวเลือกที่ดีเช่นกัน อย่างน้อยสำหรับการตรวจสอบบทคัดย่อในกาแฟตอนเช้าของคุณ

@Procrastinator ฉันตรวจสอบ arXiv ก่อนโพสต์คำถาม แต่ดูเหมือนไม่ถูกต้องว่ามี 'เพียง' หยิบพิมพ์ล่วงหน้าหนึ่งวัน ฉันเคยเห็น 100+ เอกสารทุกวันในหมวดหมู่ arXiv ในสาขาของฉัน ฉันคิดว่าบางทีชุมชน ML อาจไม่ใช่ arXiv คุณยืนยันได้ไหมว่าเอกสาร ML ส่วนใหญ่ถูกโพสต์ไปยัง arXiv? ถ้าอย่างนั้นจะสะดวกอย่างน่าอัศจรรย์เพราะฉันได้อ่านส่วนอื่น ๆ ของ arXiv ทุกวันแล้ว
Bogdanovist

ฉันแน่ใจว่ามีบทความ ML เพียงเล็กน้อยเท่านั้นที่โพสต์ใน arXiv บางส่วนมีการโพสต์บนเว็บไซต์ของมหาวิทยาลัยเว็บไซต์ส่วนตัวหรือแม้แต่ไม่เคยโพสต์เป็นสิ่งพิมพ์ นอกจากนี้ยังมีเอกสารไร้ประโยชน์มากมายซึ่งทำให้ยากต่อการได้รับประโยชน์ ในทางกลับกันเมื่อคุณโชคดีพอหาดีคุณสามารถอ่านได้ก่อนที่จะเผยแพร่ การพิมพ์อาจใช้เวลาสองปี ดังนั้นความคิดเห็นของฉันเกี่ยวกับ arXiv คือมันคุ้มค่าที่จะดูบทคัดย่อและดูว่าคุณพบสิ่งที่มีประโยชน์หรือไม่ แต่ฉันยอมรับว่ามันไม่ใช่ตัวเลือกที่ดีที่สุด (นี่คือเหตุผลที่ฉันโพสต์สิ่งนี้เป็นความคิดเห็น)

คำตอบ:


16

การพัฒนาใหม่ใน ML มักจะถูกนำเสนอในการประชุมครั้งแรกเสมอและบางครั้งก็ถูกปรับปรุงลงในวารสาร

หากคุณติดตามการประชุมเพียงสองครั้งพวกเขาควรจะ:

  • NIPS (ระบบประมวลผลข้อมูลประสาท); ธันวาคม. เว็บไซต์การประชุม , การดำเนินการ (แม้จะมีชื่อเอกสารส่วนใหญ่ไม่เกี่ยวข้องกับประสาทหรือเครือข่ายประสาท)
  • ICML (การประชุมนานาชาติเรื่องการเรียนรู้ของเครื่อง); กรกฎาคม. ไซต์ (รวมถึงลิงก์การดำเนินการ)

การประชุมเหล่านี้ยังรวมถึงการประชุมเชิงปฏิบัติการที่ตีพิมพ์งานที่ไม่ขัดสีซึ่งมักจะเป็นวิธีที่ดีในการค้นหางานวิจัยที่กำลังดำเนินอยู่และยังไม่เผยแพร่

การประชุม ML ต่อไปนี้ยังมีเอกสารที่ยอดเยี่ยมมากมายแม้ว่าจะไม่ใช่ "ระดับแรก" เป็น NIPS และ ICML และอาจเน้นในขอบเขตมากขึ้น:

  • AISTATS (ปัญญาประดิษฐ์และสถิติ); อาจ. เว็บไซต์การประชุม ; การดำเนินการตีพิมพ์ใน JMLR และสามารถใช้ได้ที่นี่ บางครั้งมีทฤษฏีมากขึ้นโดยเฉพาะจากมุมมองสถิติ
  • COLT (การประชุมเกี่ยวกับทฤษฎีการเรียนรู้); กรกฎาคม. 2015 เว็บไซต์การดำเนินการนอกจากนี้ยังมีการตีพิมพ์ใน JMLR ในทางทฤษฎี
  • UAI (ความไม่แน่นอนในปัญญาประดิษฐ์); กรกฎาคม. เว็บไซต์การประชุม , การดำเนินการ โดยทั่วไปจะเน้นที่โมเดลกราฟิกและ / หรือเทคนิคแบบเบย์
  • ICLR (การประชุมนานาชาติเรื่องการเป็นตัวแทนการเรียนรู้); อาจ. เว็บไซต์การประชุม (เน้นที่การเรียนรู้เชิงลึกค่อนข้างใหม่; การส่งทั้งหมดจะปรากฏบน arXiv)
  • ECML PKDD (การประชุมยุโรปเรื่องการเรียนรู้ของเครื่องและหลักการและการฝึกฝนการค้นหาความรู้ในฐานข้อมูล); กันยายน. เว็บไซต์การประชุม
  • ACML (การประชุมเอเชียนเรื่องการเรียนรู้ของเครื่อง); พฤศจิกายน. เว็บไซต์การประชุม

การประชุม AI บางอย่างยังรวมถึงเอกสารการเรียนรู้ของเครื่องที่ดีหรือแทร็กเฉพาะในการเรียนรู้ของเครื่องโดยเฉพาะ

  • IJCAI (การประชุมร่วมระหว่างประเทศเรื่องปัญญาประดิษฐ์); กรกฎาคม. เว็บไซต์การประชุมค่อนข้างออกจากวันที่ดำเนินการตามกฎหมาย
  • AAAI (สมาคมเพื่อความก้าวหน้าของปัญญาประดิษฐ์); กุมภาพันธ์. เว็บไซต์การประชุม , การดำเนินการ

การประชุมในสาขาที่เกี่ยวข้องมักเกี่ยวข้องเช่นกันโดยเฉพาะ:

  • KDD (การค้นหาความรู้และการทำเหมืองข้อมูล); สิงหาคม. เว็บไซต์การประชุมเชื่อมโยงไปยังการประชุมของแต่ละบุคคลที่นี่
  • CVPR (การมองเห็นคอมพิวเตอร์และการจดจำรูปแบบ); มิถุนายน. 2016 เว็บไซต์ , ภาพรวม


3

ฉันคิดว่าวิธีที่ดีที่สุดในการติดตามการพัฒนาล่าสุดใน Machine Learning คือการติดตามฟีดReddit :

https://www.reddit.com/r/MachineLearning/

นักวิจัยหลายคนโพสต์ความคิดเห็นเกี่ยวกับเอกสารที่พวกเขาเพิ่งส่งไปยังสถานที่ต่าง ๆ


คุณอาจติดตามสิ่งที่ส่งไปยังArxivที่นี่:

http://arxiv.org/list/stat.ML/recent

นักวิจัยส่วนใหญ่ส่งบทความก่อนพิมพ์ให้ Arxiv ก่อนตีพิมพ์


นอกจากนี้คุณอาจต้องการบัญชีTwitterและติดตามนักวิจัย / อาจารย์ที่ทำงานด้านการเรียนรู้ของเครื่อง อย่างไรก็ตามคนที่คุณอาจต้องการติดตามนั้นขึ้นอยู่กับพื้นที่ที่คุณสนใจ จุดเริ่มต้นที่ดีอาจกำลังติดตาม hashtag #machinelearning


โปรดจำไว้ว่าเงื่อนไขการเรียนรู้ของเครื่องจักรการทำเหมืองข้อมูลการค้นพบความรู้ในฐานข้อมูลวิทยาศาสตร์ข้อมูลบางครั้งใช้แทนกันได้ เพื่อค้นหาการพัฒนาที่น่าสนใจในการเรียนรู้ของเครื่องคุณอาจดูข่าวในพื้นที่อื่น ๆ เหล่านั้นเช่นกัน

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.