郁彬加州大学伯克利分校统计系，电气工程与计算机科学系
在该演讲中，我将讨论在数据驱动决策中的数据科学三原则的重要性和其相互关联。预测的终极重要性在于，未来是所有人类活动独特且几乎唯一的目的，无论是商业、教育、研究或是政治等任何方面。
以预测为目标，以计算为核心，机器学习让数据驱动取得了广泛的成功。预测是检验现实的有效方法，而好的预测都隐含着一个假设：过去和未来之间的稳定性。稳定性（相对于数据和模型的扰动）也同时是数据驱动结果可解释性和可重复性的最低要求，它与不确定性评估密切相关。同时，可预测性和稳定性还都需要建立在可行的计算算法基础之上，因此可计算性也是十分重要的。
将通过两个正在进行的关于“数据智慧”的实际项目来说明这三个原则。第一个项目采用深度学习网络（CNNs）来研究神经元在不易理解的视觉皮层V4的模式选择性；第二个项目通过采用和比较不同的潜变量模型以及基于Lasso的模型来预测政治电视广告中的党派和语气。
【嘉宾介绍】
郁彬，加州大学伯克利分校统计系及电气工程与计算机科学系校长教授，加州大学伯克利分校统计系前系主任。她同时是北京大学微软统计与信息技术教育部-微软重点实验室的创办者及联席主任。她与基因组学、神经科学、医学领域科学家合作进行跨学科研究，开发了统计和机器学习方法/算法和理论，并与领域知识以及量化批判思维结合以解决这些领域中的数据问题。
郁彬教授是美国国家科学院和美国艺术与科学学院两院院士。2006年当选Guggenheim Fellow，2011年受邀在ICIAM（The International Council for Industrial and Applied Mathematics，国际工业与应用数学大会）作特邀演讲，2012年作了伯努利协会的图基纪念演讲（Turkey Memorial Lecture of the Bernoulli Society），2016年作IMS（Institution of Mathematical Statistics，数理统计协会）Rietz演讲。郁彬教授曾于2013-2014年出任IMS主席，也是IMS、ASA（American Statistical Association，美国统计协会）、AAAS（American Association for the Advancement of Science，美国科学促进会）和IEEE（Institute of Electrical and Electronics Engineers，电气和电子工程师协会）的会士。
时间:12月10日（周六）3:00-4:00
地点:37000cm威尼斯校内（具体地址待定）
主办单位：37000cm威尼斯、37000cm威尼斯统计与大数据研究院、统计之都