微軟AI講堂2018-西安電子科技大學站
時間：2018年4月7日, 15:00-16:30
地點：西安電子科技大學 主樓三區430會議室
微軟AI大講堂西安站，屆時有兩位微軟研究員為大家帶來精彩的報告。
報告一：Symbolic Learning
演講人：邵斌博士 微軟亞洲研究院機器學習組主管研究員
邵斌，博士，微軟亞洲研究院機器學習組主管研究員；他在2010年7月獲得復旦大學博士學位后加入微軟亞洲研究院。邵斌博士帶領團隊研究和開發了微軟開源圖引擎(Microsoft Graph Engine) ，一個分布式超大規模實時圖處理系統。相關研究結果發表在SIGMOD, VLDB, ICDE, TPDS等相關領域頂級會議和期刊上。他的主要研究興趣包括并行圖處理、機器學習、分布式系統和內存數據庫等.
報告摘要： Deep learning is a very successful approach to many challenging problems. It builds models for the observed portion of the data without trying to figure out the law governing the system that produces the data. In this talk, Dr. Shao will present some exploratory results on the other side of the coin: symbolic learning. Symbolic learning is a computational approach that learns interpretable symbolic models from data. Its goal is to identify the inherent inter-sample constraints and discover the underlying symbolic laws governing the system. A symbolic approach called proactive symbolic regression will be briefly introduced to demonstrate how symbolic laws can be learned from a small set of proactively selected samples.
報告二：AI For Quantitative Investment
演講人：趙立博士 微軟亞洲研究院 機器學習組副研究員
趙立，微軟亞洲研究院機器學習組副研究員。2011年 6月在清華大學計算機科學與技術系獲得學士學位，2016年6月在清華大學計算機科學與技術系獲得博士學位。
主要研究內容包括：深度學習，強化學習，自然語言處理，情感分析。在國際頂級會議上發表了多篇論文（包括：IJCAI，AAAI，EMNLP，CIKM等）。
報告摘要： 量化投資需要我們基于復雜的數據做出投資決策。為了更好的挖掘隱藏在復雜數據背后的規律，我們嘗試用機器學習的方法來建模量化投資問題。基于機器學習的量化投資研究，同時具有極大的實用性和極大的挑戰。這些都使得這個研究方向非常的有價值。實用性來自量化投資本身能夠給投資者帶來巨大的收益，優化資產配置，使得資金的流向最大化整體收益。挑戰性則來自金融數據本身的特性。金融數據有如下特點：數據噪音大，市場規律并非一成不變，優化目標需要平衡多方面因素，以及投資者本身的非理性特性。在本次報告中，我們會簡單介紹我們針對這些特性展開的一系列的研究。
