Bin Yu - Bin Yu

Den opprinnelige formen for dette personlige navnet er Yu Bin . Denne artikkelen bruker vestlig navnrekkefølge når man nevner individer.
Bin Yu
郁 彬
utdanning Peking University (BA, 1984)
University of California, Berkeley (MS, 1987; PhD, 1990)
Utmerkelser IMS Fellow (1999)
IEEE Fellow (2001)
ASA Fellow (2005)
AAAS Fellow (2013)
Medlem av NAS (2014)
Elizabeth L. Scott Award (2018)
Vitenskapelig karriere
Enger Statistikk
maskinlæring
Institusjoner University of California, Berkeley
University of Wisconsin - Madison
Bell Labs
Nettsted www .stat .berkeley .edu /~ binyu /

Bin Yu ( kinesisk :郁 彬) er en kinesisk-amerikansk statistiker. Hun er for tiden kanslerprofessor ved instituttene for statistikk og elektroteknikk og datavitenskap ved University of California, Berkeley .

Biografi

Yu tok en bachelorgrad i matematikk i 1984 fra Peking University , og fortsatte videre med studier i statistikk ved Berkeley, og tok en mastergrad i 1987 og en doktorgrad. i 1990. Avhandlingen hennes, Some Results on Empirical Processes and Stochastic Complexity , ble veiledet i fellesskap av Lucien Le Cam og Terry Speed .

Etter postdoktorstudier ved Mathematical Sciences Research Institute og et assisterende professorat ved University of Wisconsin - Madison , returnerte hun til Berkeley som fakultetsmedlem i 1993, ble ansatt i 1997 og ble kanslerprofessor i 2006. Hun jobbet også på Bell Labs fra 1998 til 2000, mens han hadde permisjon fra Berkeley, og har hatt besøksstillinger ved flere andre universiteter. Hun ledet Institutt for statistikk i Berkeley fra 2009 til 2012, og var president for Institute of Mathematical Statistics i 2014.

Forskning

Yus arbeid utnytter beregningsutviklingen for å løse vitenskapelige problemer ved å kombinere statistiske maskinlæringsmetoder med domenekompetansen til mange samarbeidspartnere, som spenner over mange felt, inkludert statistikk, maskinlæring, nevrovitenskap, genomikk og fjernmåling. Hennes siste arbeid har fokusert på å befeste en visjon for datavitenskap, inkludert et rammeverk for veridisk datavitenskap og et rammeverk for tolkbar maskinlæring. Yu har også utviklet et PCS -rammeverk (forutsigbarhet, beregningsbarhet og stabilitet) for veridisk datavitenskap for å forene, effektivisere og utvide ideer og beste praksis for maskinlæring og statistikk. Yu har nylig mottatt nyhetsdekning om sitt veridiske rammeverk for datavitenskap, undersøkelser av det teoretiske grunnlaget for dyp læring og arbeid som forutsier alvorlighetsgraden av COVID-19 i USA.

Annen forskning inkluderte forskning innen statistiske maskinlæringsmetoder/algoritmer (og tilhørende statistiske slutningsproblemer) som læring av ordbok, ikke-negativ matrisefaktorisering (NMF), EM og dyp læring (CNN og LSTM), og heterogen effektestimering i randomiserte eksperimenter (X-elev).

Ære og priser

Yu er stipendiat ved Institute of Mathematical Statistics , IEEE , American Statistical Association , American Association for the Advancement of Science , American Academy of Arts and Sciences og National Academy of Sciences . I 2012 var hun Tukey -foreleser i Bernoulli Society for Mathematical Statistics and Probability . I 2018 ble hun tildelt Elizabeth L. Scott Award . Hun ble invitert til å holde Breiman -foredraget på NeurIPS 2019 (formelt kjent som NIPS), om temaet veridisk datavitenskap .

Referanser

Eksterne linker