据雷锋的《人工智能科学技术评论》报道，数据驱动优化理论与实践2017国际研讨会于2017年12月16日至19日在上海财经大学举行。接下来，雷锋伟的《人工智能科技评论》将从会议的内容和学生参加会议的经验两个方面介绍为期三天的会议。
    
     雷锋伟的《人工智能科学技术评论》指出，这次研讨会不仅邀请了来自斯坦福大学、芝加哥大学、北京大学、上海财经大学等国内外知名大学的知名学者，还带来了本课题的研究成果，分析当前工业热点，探讨现状，如何将算法与大量数据、人工智能等研究相结合。ER更好地实现了产学研结合。
    
     会议第一天，上海财经大学跨学科科学研究所院长葛东东教授就数据驱动优化决策实践的主题作了发言。阿伦格斯还详细分析了当今学术界和工业界的整合与过去相比的区别。目前，实际的决策问题可以转化为数学模型，通过有效的方法求解。优化研究算法。运筹学正迎来黄金时代，他说。
    
     在葛教授的演讲之后，MOSEK的创始人Erling Andersen发表了一篇题为《用MOSEK求解圆锥优化问题》的报告。他和与会者分享了MOSEK公司的发展经验，以及他们如何应对挑战和解决问题。现在，MOSEK已经在欧洲实现全面覆盖，为世界一流的大学、研究机构和顶级金融机构服务。
    
     短暂的茶歇之后，我们欢迎了研讨会的特邀嘉宾，滴水之旅副总裁、滴水研究所副所长叶杰平，他在迪迪·楚兴发表了关于大数据的演讲，详细介绍了大数据和人工智能的应用。涓涓流平台的ce技术。自2015年以来，我们成立了机器学习研究所，并将其升级为涓涓流研究所。该机构结合大数据、机器学习和云计算，在云、大脑上构建人工智能交通引擎。它可以实时了解城市交通规律，了解交通工具和道路状况，做出更优决策（路径规划、供需匹配、智能调度等）。尽可能多地了解每个人的体验。以Pao为例，每一滴馅饼就像下棋，之后会考虑N个步骤。每2秒下一次大脑做出全局判断，在大量的快速计算中，完成全局更优智能分配。TCH列表。
    
     第一天来了然后一位客人，南加州大学副教授约翰·卡尔森。他做了一个关于计算几何和物流的演讲。在他的演讲中，他指出，计算几何和逻辑的研究帮助科学家发现了几何学。来自复杂数据集的度量和逻辑特征，这些特征表示数据的子集，允许科学家使用计算机算法更好地理解每个数据集的性质和不同数据集之间的关系，更终帮助他们。在调度、大数据医疗保健和选举结果预测方面，在人工智能时代，面对海量数据，他提供了系统分析和建模思想。
    
     会议第二天，明尼苏达大学张树忠教授、斯坦福大学叶银宇教授和纽约大学张家卫教授分别作了专题介绍。
    
     作为中国运筹学的杰出代表，张树忠教授发表了《更优化世界的原-二元视角》演讲。在他的演讲中，他说优化中的一个重要概念是对偶性。对偶问题存在于所有优化问题中，对偶问题包含许多字母，优化问题包含许多潜在问题中的重要结构。事实上，对偶本身不是对立的，事物是自然的，原始是对立的，对偶是原始的。
    
     接下来是叶银宇教授，冯诺伊曼理论奖得主，斯坦福大学管理科学与工程主任，杉木科技首席科学家顾问。众所周知，决策中存在不确定性。过去已经提出了许多方法，如基于数据的方法，但是效果不是很好。叶银宇教授说，鲁棒优化方法即使决策存在不确定性，仍然具有较好的效果。然后介绍了他多年来在分布式鲁棒优化方面的进展。作为分布式鲁棒优化的创始人，他说鲁棒方法被广泛使用，在当前流行的深度学习和机器学习中，鲁棒优化方法和机器学习的正则化方法在某些情况下是等价的。
    
     张家卫教授的主要研究方向包括商业分析、优化决策、供应链和库存管理。他提出了具有有限灵活性的在线资源分配的主题。他向我们描述了在生产和营销问题中灵活性的巨大价值——为系统增加一点灵活性的好处。作为柔性系统灵活性方面的专家，他描述了如何更好地实现柔性。满足制造、销售和运输方面的要求。
    
     上午三位教授作了精彩的演讲后，下午是中国运筹学会闭门会议，现代运筹学发展研讨会。会上，国内外专家和教授简要介绍了他们更近的研究成果，对中国运筹学的发展发表了看法，提出了具体的建议和计划，他们的研究方向也有自己的重点，如机械学习。其中，深入学习、异步计算、量子计算、大规模稀疏优化、供应链管理、组合优化、算法博弈论等，对当前学术热点，如AlphaGo等也有令人兴奋的讨论。
    
     值得一提的是，带来分享的专家和教授大多是叶银宇教授的学生，而且这次会议也是叶教授的生日。以研讨会为契机，我们肯定了叶教授的学术成就，对叶教授分享科研成果表示衷心的感谢。然后，叶教授也作了精彩的演讲，讲解了如何教育学生，如何做好事。D级研究，对运筹学的发展提出几点建议。
    
     在会议的然后一天，来自芝加哥大学、普林斯顿、哥伦比亚市、明尼苏达大学和香港理工大学的16位国内外学者，由冯诺依曼奖获得者Peter Glynn教授率领。年迈的斯坦福大学科学与工程学院和美国工程学院的一位研究员见面了。在这短短的一天里，一系列精彩的学术报告陆续出台。
    
     作为舞台上的第一位嘉宾，Peter Glynn教授带来了一份关于稳健优化、经验可能性和规则化主题的报告。在演讲开始时，他说他今天的报告是受叶银宇教授2016年的论文《对数据进行稳健优化的可能性》的启发。接下来，他介绍了统计学习中稳健优化、经验似然和正则化这三种重要方法之间的深刻联系。随着机器学习在许多领域的迅速应用，现有机器学习缺乏稳定性。e学习算法逐渐暴露出来，Peter Glynn教授的更新研究为提高机器学习算法的稳定性和泛化性奠定了坚实的基础。
    
     在Peter Glynn教授的报告结尾，一系列精彩的学术演讲，包括叶子开源平台的更新发展、不确定决策、资源分配、统计等等，一直持续到下午5点。Y总结道。
    
     虽然这次会议是在上海举行的，但雷峰伟的《AI科技评论》发现，参加者是来自香港、新加坡、美国和世界其他地区的学生，除了学生，还有很多行业人士。为了吸引如此众多的学生和业界人士到现场，雷锋伟人工智能科技评论也在现场与学生进行了交流。
    
     复旦大学数学系的一名大四学生告诉雷锋。COM的AI科技评论：本次会议汇集了国内外的学者和学者。我所做的许多问题都与我感兴趣的数据驱动和随机优化有关，我认为这是一个很好的学习机会。
    
     受全会学术气质的启发，他始终保持一颗慈爱、合作、平易近人的心。听说老师们还在讨论学术问题，分享前几次会议的启示，我感到精神感染和兴奋。预计起飞时间。
    
     从学术的角度，她评论人工智能科学技术：老师们已经谈论了很多关于这个想法，为什么要提出一个想法，如何形式化一个想法，如何从不同的角度分析一个想法，无论是张叶先生还是贾伟先生，我认为这是一个好主意。这在很多方面都带来了灵感，包括迁移在其他问题上的应用，以及对过去不同方法的更深层次的理解。对于年轻的研究人员来说，如何获得想法比如何进行严格的论证更为关键。
    
     另一位来自香港的博士生表达了类似的观点。他说，这次会议更吸引人的部分是数据驱动和优化。这个话题是目前学术界的一个热门话题，这次会议不仅邀请学术界的公牛从更高的角度理解学术界的研究方向，而且还邀请青年学者来展示他们的研究方向。研究从不同的角度，以及企业管理者向学术界和产业界展示的整合，可以带来很多相关方向的研究。
    
     他的研究领域是鲁棒优化，经过两天的会议，他结合了当前的热点进行实践思考：机器学习确实很热门，但并不完美，我们的OR学者可以从自己的研究开始，比如凸优化和鲁棒优化。学习一些算法。此外，与OR相关的研究还可以借鉴更新的机器学习算法，如AlphaGo中的强化学习和Monte Carlo Search Tree的思想可以应用于OR相关的研究。IP，提到，结合Alpha GO的路线规划的想法。
    
     无论学术研究是否具有启发性，他告诉AI Technologies.，虽然机器学习算法和数据现在工作得更好，但是更好将模型理解与稳健优化结合使用。但是他也表示需要在机器领域有更深入的理解。E学习。
    
     但是来自东北大学统计优化方向的一位医生说，对他来说，更吸引人的是联合研究的方法和问题特征。他们的实验室正在研究工业问题，如钢铁、电力和能源互联网。RCH区域是不同的，只有大量的沟通和讨论才能共同进步。
    
     很多收获不只是几句话，可以说是完整的。总之，在学术上，它肯定是受到了叶老师等人的报告的启发。在学术氛围建设方面，我们感受到了金融业的生活和学术交流的丰富氛围。并且向叶先生学习，早期学习，帮助科研院所和学校的发展。在发展领域，我希望能借鉴他们的经验和见解，使我国的工业发展迅速，企业与学校的良好融合等等。
    
     如何看待这次会议，他说：学术报告的重点是激发和分享新的想法，用实际项目的经验来解释科学研究过程是不容易的，并更终升华到理论。
    
     虽然会议已经结束，但是大家的讨论还在继续，如何将算法、大数据与人工智能研究相结合，进行更深入的讨论，这是值得业界讨论的课题。