人工智能顶级会议，我是计算机视觉专业的如果想从事这个行业需要学习什么机器学

来源：整理时间：2023-06-05 19:43:22 编辑：智能门户手机版

1，我是计算机视觉专业的如果想从事这个行业需要学习什么机器学

你好，你需要学习计算机视觉，opencv库函数，机器学习，数据结构也需要掌握一些，你要了解内存的存储！

感觉在机器学习、计算机视觉和人工智能领域,顶级会议才是王道。有人会质疑这些会议都只是ei,确实,在中国的许多其它领域的会议都是盛会,比如society of...

{0}

2，人工智能领域有哪些重要的学术会议和顶级实验室

人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。但总的来说，“人工系统”就是通常意义下的人工系统。人工智能在计算机领域内，得到了愈加广泛的重视。并在机器人，经济政治决策，控制系统，仿真系统中得到应用。用来研究人工智能的主要物质基础以及能够实现人工智能技术平台的机器就是计算机，人工智能的发展历史是和计算机科学技术的发展史联系在一起的。

工业界：msr redmond，msra，yahoo research。学术界：eric nyberg，uiuc的chengxiang zhai umass的ciir（bruce croft，james allan）

{1}

3，数据挖掘类的国际顶尖会议有哪些

顶级：SIGKDD二流：ICDM，SDM ，EDBT等上面是专门的数据挖掘会议，其他像SIGMOD,VLDB,ICDE等数据库类会议都会有专门的数据挖掘session ，下面是有人专门总结的，引用一下：一流的：数据库三大顶级会议SIGMOD，VLDB，ICDE，数据挖掘KDD，实际相关的还有机器学习ICML,还有信息检索的SIGIR；数据库的理论会议PODS，但它是理论的会议所以和咱们就不大相关了二流的：EDBT，ICDT，CIKM，SDM，ICDM，PKDD，还有ECML欧洲的机器学习会议（这个应该是1.5档的，比一般的二流好）SIGMOD：97分，数据库的最高会议，涉及范围广泛，稍偏应用（因为理论文章有PODS）。没说的，景仰如滔滔江水。这个会议不仅是double-blind review，而且有rebuttal procedure，可谓独树一帜，与众不同。VLDB：95分，非常好的数据库会议。与SIGMOD类似，涉及范围广泛，稍偏应用。从文章的质量来说，SIGMOD和VLDB难分伯仲，没有说谁比谁更高。他们的范围也几乎一样。不少牛人都认为，今年的rebuttal procedure其实并不怎么成功。投稿太多，很难做到每一篇都公平公正。很多rebuttal没人看。double-blind是把双刃剑。这几年来每年都有人冒充牛人的风格来投稿，有的还真进去了。反而VLDB的审稿质量一直很高。每年的VLDB都有很理论的paper。一般来说，我感觉大家还是认为SIGMOD要好那么一点点。根据我个人读过的文章，也有这样的感觉。不过这个并不重要了，有差别也是那么一点。PODS：95分。是“数据库理论的最好会议,也是一个很好的理论会议”。每年总是co-located with SIGMOD。感觉其中算法背景的人占主流（你可以数数PODS文章中有多少来自Motwani group），也有一部分AI背景的人（毕竟SIGART也是主办者之一）。它的影响力远不及SIGMOD，然而其中文章的质量比较整齐，variance小于SIGMOD（以及其他任何数据库会议）。有一位牛人说：“PODS never had a really bad paper，”这是它值得骄傲的地方。KDD:：full paper 95分，poster/short paper 90分。数据挖掘的最高会议。由于历史积累不足以及领域圈子较小，勿用讳言KDD目前比SIGMOD尚有所不如。我觉得我们可以这样类比：KDD:SIGMOD=CRYPTO:STOC。回顾密码学的历史，真正最牛的文章一般发在STOC/FOCS而非CRYPTO/EUROCRYPT，这和今天的数据挖掘何等类似！然而你看看今天的密码学文章，已经有顶级的密码学家（恕我不便写出名字）不再往STOC/FOCS投稿。我觉得同样的事情在不久的将来也会发生在数据挖掘中，让我们拭目以待。这几年来KDD的质量都很高。其full paper的质量高于SIGMOD/VLDB中数据挖掘方面的paper的质量。原因是SIGMOD/VLDB审稿人中数据挖掘的人很少，审稿标准不一定能掌握得很好。这几年好几篇SIGMOD/VLDB的数据挖掘paper都follow一些KDD的paper。而在KDD，要拿一篇full paper真难。去年复旦拿了一篇，实属难能可贵。今年他们又拿了一个SIGMOD demo，说明工作的确很扎实。听说在很多地方，如果能有一篇SIGMOD/VLDB/KDD，就能博士毕业，能有两篇就能找到不错的工作。“革命尚未成功，同志仍需努力！”ICDE：92分。很好的数据库会议，也是一个大杂烩。好处是覆盖面广、包容性强，坏处是文章水平参差不齐。EDBT：88分，不错的数据库会议，录取率很低然而历史积累不足，影响还明显不及ICDE。ICDT：88分，PODS的欧洲版，数据库理论第二会议。和SIGMOD/VLDB一样，ICDE和EDBT在质量和影响上都不相上下。其它的如CIKM，ICDM，SDM，SSDBM，PKDD等等都比以上的会议差一截。CIKM：85分。SDM：full paper 90分，poster/short paper 85分。SIAM的数据挖掘会议，与ICDM并列为数据挖掘领域的第二位，比KDD有明显差距。好像其中统计背景的人比较多，也有一部分机器学习背景的人，比较iversified。ICDM：full paper 90分，poster/short paper 85分。IEEE的数据挖掘会议，与SDM并列为数据挖掘领域的第二位，比KDD有明显差距。PKDD：83分（因为poster/short paper数量很少，所以不予区分）。好像是KDD的欧洲版，但与KDD差距很大。

{2}