原文：
www.kdnuggets.com/2017/12/nips-2017-key-points-summary-notes.html
评论
NIPS 2017上周在长滩举行，根据所有人的评价，它确实没有辜负期待。虽然我未能亲自到场（我希望能去），但布朗大学的三年级博士生David Abel，确实出席了，并且他辛勤地编写和整理了一份精彩的 43 页笔记，这些笔记只能用令人自愧不如来形容。他已经将这些笔记以 PDF 形式提供给所有人，并鼓励进行传播。
虽然 David 显然无法参加 NIPS 上的每一个讲座和教程，但他显然安排得非常紧凑，我们可以通过他的经历间接感受那种体验，即使是事后。
1. Google 网络安全证书 - 快速进入网络安全职业道路。
2. Google 数据分析专业证书 - 提升你的数据分析技能
3. Google IT 支持专业证书 - 支持你所在组织的 IT 需求
代表所有未能在 Twitter 显示名称上临时添加"@ #NIPS2017"的我们，David，谢谢你的努力。如果你有兴趣阅读这些笔记的讨论，可以在这里找到。
另值得注意的是，David 在 NIPS 的层次化 RL 研讨会上展示了一篇题为"朝向良好的终身学习抽象"的论文（David Abel, Dilip Arumugam, Lucas Lehnert, Michael L. Littman）。
以下是 David 笔记中的几个亮点（重点突出），以及一些相关讲座的视频。
阿里·拉希米的时间测试讲座。 这引发了会议期间的大量讨论。在下半场，他提出了一些关于当前机器学习研究状态的看法，呼吁我们的方法更加严格。这在会议期间被广泛讨论，（大多数）人支持阿里的观点（至少是我交谈过的那些人），也有一些人表示他的观点没有根据，因为他似乎针对的一些方法（主要是深度学习）在实践中效果很好。我的个人看法是，他并不一定在呼吁理论来支持我们的方法，而是对严格性的呼吁。我认为对严格性的呼吁是深刻的。我认为说有效的实验对 ML 社区是有益的毫无争议。究竟这意味着什么，当然是有待辩论的（见下一个要点）。
乔厄尔·皮诺关于深度强化学习中的可重复性讲座。 一个实验表明，两种方法，假设我们称之为 A 和 B，在相同任务上取决于所选择的随机种子，相互主导。也就是说，A 在一个随机种子下实现了统计上显著优于 B 的表现，而这种主导性在不同的随机种子下则会被翻转。我非常喜欢这项工作，并且认为这正好是时候。特别是在深度强化学习中，大多数结果的形式是：“我们的算法在 X 和 Y 任务上表现更好”。
乔什·特嫩鲍姆正在讲解如何从人类行为中逆向工程智能。
Warneken 和 Tomasello 的论文[55]讨论了婴儿的 emergent helping behavior。他展示了一个视频，视频中一个婴儿主动去帮助一个成人，没有人告诉他这样做。太可爱了！
目标：逆向工程常识。
工具：概率程序。能够生成世界下一状态的模型，充当近似的“脑中的游戏引擎”，真的很强大。可能是缺失的部分。直观物理学和直观心理学的混合。
使用概率程序进行常识工程：
- 什么？建模程序（脑中的游戏引擎）。
- 如何？用于推理和模型构建的元程序，在多个时间尺度上工作，权衡速度、可靠性和灵活性。
凯特·克劳福德：偏见的问题
凯特真了不起！今天她讲述了 AI/ML 中的偏见问题。
收获：偏见是一个高度复杂的问题，渗透到机器学习的每个方面。我们必须问：我们的工作将会使谁受益，谁可能受到伤害？要把
首先考虑公平性，我们必须问这个问题。
相关内容：
-
免费观看 2017 年开放数据科学最佳演讲
-
2017 年旧金山 AI 会议的主要内容 – 第 1 天
-
2017 年开放数据科学会议（ODSC）西部大会的主要收获