本課程著重于三維幾何處理，同時提供傳統微分幾何的第一門課程。我們的主要目標是展示如何從互補的計算和數學的觀點來理解基本的幾何概念(如曲率)。這種雙重視角豐富了雙方的理解，并導致了處理真實幾何數據的實用算法的發展。在此過程中，我們將重溫微積分和線性代數的重要思想，強調直覺的、可視化的理解，以補充更傳統的形式的、代數的處理。本課程提供基本的數學背景，以及大量的現實世界的例子和應用。它還提供了一個簡短的調查，最近的發展在數字幾何處理和離散微分幾何。主題包括:曲線與曲面、曲率、連接與平行移動、外代數、外微積分、斯托克斯定理、單純同調、德勒姆上同調、亥姆霍茲-霍奇分解、保角映射、有限元方法、數值線性代數。應用包括:曲率的近似值，曲線和表面平滑，表面參數化，矢量場設計，測地線距離的計算。
付費5元查看完整內容
相關內容
本課程的目的是提供非漸近方法的介紹，以研究在高維隨機結構出現的概率，統計，計算機科學，和數學。重點是開發一套已被證明在不同領域的廣泛應用程序中有用的公共工具。根據時間和聽眾的興趣，主題可能包括:措施的集中;功能性，運輸成本，鞅不等式;isoperimetry;馬爾可夫半群，混合時間，隨機場;hypercontractivity;閾值和影響;斯坦的方法;隨機過程的最高原則;高斯和拉德馬赫不等式;通用的鏈接;熵和組合維數;選擇應用程序。
付費5元查看完整內容
強化學習(RL)是學習采取行動解決任務的強大框架。然而，在許多情況下，一個代理必須將所有可能的任務的大得令人難以置信的空間縮小到當前要求它解決的單個任務。我們是否可以將任務的空間限制在語義上有意義的范圍內呢?在這項工作中，我們介紹了一個使用弱監督的框架來自動地把這個語義上有意義的子空間的任務從巨大的無意義的“雜碎”任務中分離出來。我們證明了這個學習得的子空間能夠進行有效的探索，并提供了捕獲狀態之間距離的表示。對于各種具有挑戰性的、基于視覺的連續控制問題，我們的方法帶來了大量的性能收益，特別是隨著環境的復雜性的增長。
付費5元查看完整內容
簡介： 機器學習可解釋性的新方法以驚人的速度發布。與所有這些保持最新將是瘋狂的，根本不可能。這就是為什么您不會在本書中找到最新穎，最有光澤的方法，而是找到機器學習可解釋性的基本概念的原因。這些基礎知識將為您做好使機器學??習模型易于理解的準備。
可解釋的是使用可解釋的模型，例如線性模型或決策樹。另一個選擇是與模型無關的解釋工具，該工具可以應用于任何監督的機器學習模型。與模型不可知的章節涵蓋了諸如部分依賴圖和置換特征重要性之類的方法。與模型無關的方法通過更改機器學習的輸入來起作用建模并測量輸出中的變化。
本書將教您如何使（監督的）機器學習模型可解釋。這些章節包含一些數學公式，但是即使沒有數學知識，您也應該能夠理解這些方法背后的思想。本書不適用于嘗試從頭開始學習機器學習的人。如果您不熟悉機器學習，則有大量書籍和其他資源可用于學習基礎知識。我推薦Hastie，Tibshirani和Friedman（2009）撰寫的《統計學習的要素》一書和Andrewra Ng在Coursera3上開設的“機器學習”在線課程，著手進行機器學習。這本書和課程都是免費的！在本書的最后，對可解釋機器學習的未來前景持樂觀態度。
目錄：
- 前言
- 第一章 引言
- 第二章 解釋性
- 第三章 數據集
- 第四章 解釋模型
- 第五章 模型不可知論方法
- 第六章 基于實例的解釋
- 第七章 神經網絡解釋
- 第八章 水晶球
- 第九章 貢獻
- 第十章 引用本書
付費5元查看完整內容
報告名稱： Deep Geometric Learning of Big Data and Applications
報告摘要： 深度學習技術在計算機視覺，自然語言處理和語音分析方面取得了令人印象深刻的性能。這些任務專注于位于歐幾里得域上的數據，并且針對這些域的數學工具（例如卷積，下采樣，多尺度和局部性）已得到明確定義，并受益于GPU等快速計算硬件。但是，許多基本數據和任務都涉及非歐幾里德領域，而這些領域最初并不是為深度學習方法設計的。例如計算機圖形學中的3D點云和3D形狀，大腦結構連接網絡中的功能性MRI信號，基因組學中基因調控網絡的DNA，量子化學中的藥物設計，高能物理中的中微子檢測以及常見的知識圖理解視覺場景。這一主要局限性促使近年來的研究界將神經網絡推廣到任意的幾何域，例如圖形和流形。卷積，粗化，多分辨率，因果關系等基本操作已通過頻譜和空間方法進行了重新定義。這些非歐氏數據分析問題的最新結果顯示了在許多領域中都有希望的令人振奮的新工具。
該研討會的目標是：1）召集數學家，機器學習科學家和領域專家，以建立這些新興技術的現狀； 2）討論用于分析這些新的深度學習技術的框架； 3）確立新的研究方向以及這些技術在神經科學，社會科學，計算機視覺，自然語言處理，物理學，化學中的應用，以及4）討論了GPU以外的適用于非歐幾里德領域的新計算機處理體系結構。
邀請嘉賓： Jure Leskovec，斯坦福大學計算機科學副教授。 研究重點是對大型社會和信息網絡進行挖掘和建模，它們的演化，信息的傳播以及對它們的影響。 調查的問題是由大規模數據，網絡和在線媒體引起的。
Stanley Osher，加州大學洛杉磯分校 IPAM 數學與計算機科學教授，電氣工程與化學和生物分子工程教授。
報告部分大綱：
- 自動微分，PyTorch和圖形神經網絡
- 深度學習作為稀疏性強制算法
- 語義3D重建
- 高維幾何的視角
- 穩健性與準確性
- 異質分子結構定位中的逆問題和無監督學習
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
本教程旨在深入介紹適用于3D視覺問題的全局優化工具，包括凸和半正定松弛。本教程的第一個目標是通過提供真實的示例來激發對全局求解器的需求，這些示例中，由于無法解決大型優化問題而難以實現最優性，因此導致缺乏魯棒性。第二個目標是為與會者講解基本的數學和算法概念，并介紹該領域最近的重要進展。第三個目標是概述幾種開放的研究途徑：全局優化具有巨大的未開發潛力，希望本教程能夠為研究人員使用現代優化工具解決幾何視覺中的幾個挑戰帶來靈感。
內容目錄
- 報告人：Anders Eriksson
- 題目：Is Global Optimality the Key to Robust 3D Vision?（全局最優是3D視覺魯棒性的關鍵嗎？）
- 報告人：Luca Carlone
- 題目：Convex Relaxations for Robust Vision: Harder, Better, Faster, Stronger（基于凸松弛視覺魯棒性:更硬，更好，更快，更強）
- 報告人：Tat-Jun Chin
- 題目： Robust Geometric Understanding with Outliers: Algorithms and Provable Guarantees（具有離群值的魯棒性幾何理解:算法和可證明的保證）
- 報告人：楊珩
- 題目： Hands-on Tutorial on Global Optimization in Matlab（Matlab中全局優化的實踐教程）
付費5元查看完整內容
We introduce a new family of deep neural network models. Instead of specifying a discrete sequence of hidden layers, we parameterize the derivative of the hidden state using a neural network. The output of the network is computed using a black-box differential equation solver. These continuous-depth models have constant memory cost, adapt their evaluation strategy to each input, and can explicitly trade numerical precision for speed. We demonstrate these properties in continuous-depth residual networks and continuous-time latent variable models. We also construct continuous normalizing flows, a generative model that can train by maximum likelihood, without partitioning or ordering the data dimensions. For training, we show how to scalably backpropagate through any ODE solver, without access to its internal operations. This allows end-to-end training of ODEs within larger models.
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191