深度学习在各个领域取得了骄人的成绩，基本是舍我其谁了。之前还存在如何调参、如何选架构的问题，最近随着自动机器学习（AutoML）的快速发展，Neural architecture search（NAS）似乎都可以做到自动选择深度学习架构，Hyperparameter优化可以帮助做到自动超参数的选择， 机器学习变得越来越傻瓜，容易上手，原来的伪“end-to-end”好像真的要转正了。坏处是原来的BlackBox变得越来越大，因此近年，更多研究者呼吁我们需要可解释机器学习（Explainable ML）。
“No Free Lunch”，工业界有时候显然希望ML变成工具，越简单越好，只要效果好就行。但更多的时候，我们需要的是“知其然，也知其所以然”，甚至有些研究人员都开始怀念决策树等解释性非常强的模型。尽在AI Time：让我们就来论道：我们是要强大的“黑盒子”还是要“可理解”的机器学习吧。
本次活动我们邀请了四位大牛：美国伊利诺伊大学分校(UIC)特聘教授Philip Yu（ACM/IEEE Fellow，原ACM TKDD主编）、美国密歇根大学Qiaozhu Mei教授（绝对的青年才俊，刚拿了最佳论文，之前还拿过ICML、WSDM最佳论文）、大学的王立威教授（无敌的青年才俊，ML理论方面难逢对手）、百度高级研究员李兴建。
AI Time第2期“ 论道自动机器学习与可解释机器学习”邀你到现场发表见解，与大咖们共话AI。
简介：密歇根大学信息学院与计算机系终身副教授，SIGIR 2018的大会联合。主要研究方向涵盖大规模数据挖掘，自然语言处理，机器学习及其在社交网络，金融，医疗大数据上的应用。代表性工作包括LINE（网络表示学习一个非常重要的工作），情感分析（NLP中的一个核心问题）。其论文多次获得国际会议（ICML、WSDM、WWW）的最佳论文。
简介：大学信息科学技术学院教授。主要从事机器学习理论研究。在机器学习国际权威期刊会议发表高水平论文100余篇。担任机器学习与计算机视觉期刊IEEE TPAMI编委。多次担任国际机器学习旗舰会议NIPS与ICML领域。入选AI’s 10 to Watch，是该项自设立以来首位获此荣誉的中国学者。获得首届国家自然科学基金优秀青年基金。
简介：百度高级研究员，8年人工智能研发经验， 目前在浣军老师（历任堪萨斯大学讲席教授， 美国国家科学基金委大数据学科主任）领导的百度大数据实验室做深度学习自动建模和迁移学习的研发。百度大数据实验室主要从事大数据智能相关技术的研究工作，属于百度七大实验室之一。成立于2014年百度与联合国开发计划署共同开展的项目，旨在探索利用大数据解决全球性问题的创新模式。一心一意爱上你