課程名稱： Deep Learning
課程簡介：
深度機器學習的最新發展使視覺識別、語音和文本理解或自主智能體系統取得了前所未有的巨大進步。在此背景下，本課程將深入探討深度學習架構的細節，重點是學習這些任務的端到端模型。學生將學習實施、訓練和調試自己的神經網絡，并對該領域的前沿研究有詳細的了解。該課程還將介紹推理方法的最新創新，包括微分推理、對抗性訓練和貝葉斯深度學習。
課程大綱：
- 機器學習基礎
- 神經網絡
- 卷積神經網絡
- 訓練神經網絡
- 遞歸神經網路
- 自動編碼器和生成模型
- 生成式對抗網絡
- 不確定性
- 對抗性攻擊與防御
講師介紹：
Gilles Louppe是比利時列日大學人工智能和深度學習的副教授。他曾是紐約大學物理系和數據科學中心的博士后助理，與歐洲核子研究中心的阿特拉斯實驗關系密切。他的研究處于機器學習、人工智能和物理科學的交叉點上，他目前的研究興趣包括使用和設計新的機器學習算法，以新的和變革性的方式處理來自基礎科學的數據驅動的問題。個人官網：
下載索引：鏈接：
付費5元查看完整內容
相關內容
人工神經網絡（Artificial Neural Network，即ANN ），是20世紀80 年代以來人工智能領域興起的研究熱點。它從信息處理角度對人腦神經元網絡進行抽象， 建立某種簡單模型，按不同的連接方式組成不同的網絡。在工程與學術界也常直接簡稱為神經網絡或類神經網絡。神經網絡是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。每個節點代表一種特定的輸出函數，稱為激勵函數（activation function）。每兩個節點間的連接都代表一個對于通過該連接信號的加權值，稱之為權重，這相當于人工神經網絡的記憶。網絡的輸出則依網絡的連接方式，權重值和激勵函數的不同而不同。而網絡自身通常都是對自然界某種算法或者函數的逼近，也可能是對一種邏輯策略的表達。
最近十多年來，人工神經網絡的研究工作不斷深入，已經取得了很大的進展，其在模式識別、智能機器人、自動控制、預測估計、生物、醫學、經濟等領域已成功地解決了許多現代計算機難以解決的實際問題，表現出了良好的智能特性。
從這些令人興奮的課程中學習，讓自己沉浸在深度學習、強化學習、機器學習、計算機視覺和NLP中!!
付費5元查看完整內容
主題： 《UvA Deep Learning Course》
課程描述： 深度學習主要是對多層神經網絡的研究，它跨越了大量的模型結構。本課程在阿姆斯特丹大學人工智能碩士課程中授課。在本課程中，我們學習深度學習的理論，即在大數據上訓練的現代多層神經網絡的理論。
主講人簡介： Efstratios Gavves，阿姆斯特丹大學助理教授。個人主頁：//www.egavves.com/
付費5元查看完整內容
課程名稱： Introduction to Articial Intelligence
課程簡介：
本課程主要講述了人工智能相關知識，包括基本理論、練習和項目。
課程部分大綱：
- 人工智能導論
- 智能體
- 教程:Python入門
- 通過搜索來解決問題
- 練習1:通過搜索來解決問題
- 項目1:搜索算法
- 約束滿足問題
- 練習2:約束滿足問題
- 游戲對抗性搜索
- 練習3:游戲對抗性搜索
- 表示不確定知識
- 練習4:不確定性下的推理(第1部分)
- 貝葉斯網絡中的推論
- 練習5:不確定性下的推理(第二部分)
- 隨時間推移的推理(第1部分)
- 隨時間推移的推理(第2部分)
講師介紹：
Gilles Louppe是比利時列日大學人工智能和深度學習的副教授。他曾是紐約大學物理系和數據科學中心的博士后助理，與歐洲核子研究中心的阿特拉斯實驗關系密切。他的研究處于機器學習、人工智能和物理科學的交叉點上，他目前的研究興趣包括使用和設計新的機器學習算法，以新的和變革性的方式處理來自基礎科學的數據驅動的問題。
付費5元查看完整內容
課程簡介： 本課程將向學生介紹NLP的基礎知識，涵蓋處理自然語言的標準框架以及解決各種NLP問題的算法和技術，包括最新的深度學習方法。 涵蓋的主題包括語言建模，表示學習，文本分類，序列標記，語法解析，機器翻譯，問題解答等。
課程安排：
- 概述與簡介
- 語言模型
- 文本分類
- 線性模型
- 詞嵌入
- 神經網絡基礎
- 序列模型
- EM模型
- RNN神經語言模型
- 解析介紹
- 機器翻譯
- 神經機器翻譯
- 文本詞嵌入
- 問答系統
- 對話系統
- 嘉賓講座
嘉賓介紹：
陳丹琦，普林斯頓大學計算機科學的助理教授，在此之前，是西雅圖Facebook AI Research（FAIR）的訪問科學家。 斯坦福大學計算機科學系獲得博士學位，并在斯坦福NLP集團工作。研究方向：自然語言處理，文本理解、知識解釋。
Karthik Narasimhan，普林斯頓大學計算機科學系助理教授，研究跨越自然語言處理和強化學習。
付費5元查看完整內容
課程名稱： Deep Learning and Bayesian Methods
課程介紹： 在Deep|Bayes暑期學校，我們將討論如何將Bayes方法與Deep Learning相結合，并在機器學習應用程序中帶來更好的結果。 最近的研究證明，貝葉斯方法的使用可以通過各種方式帶來好處。 學校參與者將學習對理解當前機器學習研究至關重要的方法和技術。 他們還將具有使用概率模型來構建神經生成和判別模型的動手經驗，學習神經網絡的現代隨機優化方法和正則化技術，并掌握推理神經網絡及其權重不確定性的方法，預測。
部分邀請嘉賓： Maurizio Filippone，AXA計算統計主席，EURECOM副教授
Novi Quadrianto，薩塞克斯大學助理教授
課程大綱：
- 貝葉斯方法介紹
- 貝葉斯推理
- EM算法
- 隨機變分推理與變分自編碼器
- GAN
- 高斯分布與貝葉斯優化
- 貝葉斯神經網絡
付費5元查看完整內容
課程題目： Emerging Challenges in Deep Learning
課程大綱：
- 知識嵌入在語言神經網絡中，但是它們可以推理嗎？
- 基于機器學習的蛋白質和小分子設計
- 人與人之間的高效深度學習
- 使ML目標與人類價值觀相一致
- 靈活的神經網絡和元學習的前言
- 價值函數近似的強化學習的難點
- 特征空間中的強化學習：復雜性和遺憾
- 決策過程中策略梯度方法的最優性和逼近性
- 政策外政策優化
- 推薦系統中的強化學習：一些挑戰
- 通過優化鏡頭進行強化學習
- 邁向經過驗證的深度學習
- 將約束集成到具有結構化的深度學習架構中
- 公平的衡量與錯誤衡量
- 采購作為政策：機器學習的管理流程
- 本地解釋范式的內在取舍
- 如何失敗的可解釋性研究
- 從過去更好地學習：反事實/批量RL
- 設計健壯的學習者
主講人： Chris Manning，托馬斯·西貝爾（Thomas M. Siebel）機器學習教授，語言學和計算機科學教授，斯坦福人工智能實驗室（SAIL）主任，以人為中心的人工智能研究所副主任。
Jennifer Listgarten，是加州大學伯克利分校 EECS系 和計算生物學中心的教授， 伯克利AI研究（BAIR）實驗室指導委員會成員 ，以及 Chan Zuckerberg研究人員。
Zachary Lipton，在UCSD 人工智能小組進行了出色的4年博士學位研究之后，加入了卡內基梅隆大學（CMU），擔任Tepper商學院的助理教授，并在機器學習系（MLD）和亨氏公共政策學院擔任副教授等。
付費5元查看完整內容
課程介紹：
深度學習正在改變人工智能領域，但缺乏扎實的理論基礎。這種事務狀態極大地阻礙了進一步的發展，例如耗時的超參數優化或對抗性機器學習中遇到的非凡困難。我們為期三天的研討會基于我們確定為當前的主要瓶頸：了解深度神經網絡的幾何結構。這個問題是數學，計算機科學和實用機器學習的融合。我們邀請這些領域的領導者加強新的合作，并為深度學習的奧秘尋找新的攻擊角度。
主講人：
Peter Bartlett，加州大學伯克利分校教授，工作于計算機科學和統計部門、伯克利人工智能研究實驗室、西蒙斯計算理論研究所。
Leon Bottou，一名研究科學家，對機器學習和人工智能有著廣泛的興趣。近年來，在大規模學習和隨機梯度算法方面的工作受到了廣泛的關注。他也以DjVu文件壓縮系統而聞名，于2015年3月加入Facebook人工智能研究。
Anna Gilbert，在芝加哥大學獲得理學學士學位，在普林斯頓大學獲得數學博士學位；1997年，是耶魯大學和at&T實驗室研究所的博士后研究員。1998年至2004年，她是新澤西州弗洛勒姆公園at&T實驗室研究部的技術人員。從那以后，她一直在密歇根大學數學系工作，現在是那里的一名教授。
Piotr Indyk，電氣工程和計算機科學系的托馬斯D.和弗吉尼亞W.卡伯特教授。計算機科學與人工智能實驗室，無線麻省理工學院，大數據學院和MIFODS計算組的成員。興趣方向：高維計算幾何（包括近似最近鄰搜索）、數據流算法、稀疏恢復、壓縮感知、機器學習。
S. T. Yau，中國科學院數學科學研究所所長，哈佛大學數學系教授。感興趣的領域：微分幾何，微分方程和數學物理。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191