报告题目： 基于认知的机器学习公理化
摘要：在大数据时代，因应用需求的驱动，大量新机器学习方法不断产生。 这些新算法理论依据各异，彼此之间的关系极其复杂，对学习算法的使用者要求极高。但是， 儿童的学习能力虽高， 却不能掌握现今机器学习的理论。 是否能够提出一套符合人类认知的机器学习理论，是当前一个亟待解决的问题。
本次报告试图提出一个统一基于认知的机器学习公理化框架， 其基本假设是： 归哪类，像哪类；像哪类，归哪类。
该机器学习理论可以推演出归类方法的三条设计原则， 以统一的方式重新解释了数据降维、密度估计、回归，聚类和分类等问题，而且与日常生活中的认知原则一致。
于剑，现任北京交通大学人工智能研究院常务副院长，二级教授，交通数据分析与挖掘北京市重点实验室主任，CCF会士，CCF人工智能与模式识别专业委员会候任主任（2020-2023），CAAI理事，CAAI机器学习专业委员会副主任。著有学术专著《机器学习：从公理到算法》，担任CAAI组织编写的教材《人工智能导论》执行主编。