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
相關內容
課程名稱： Artificial Intelligence: Principles and Techniques
課程簡介：
網絡搜索、語音識別、人臉識別、機器翻譯、自動駕駛和自動調度有什么共同之處?這些都是復雜的現實世界問題，而人工智能(AI)的目標就是用嚴格的數學工具來解決這些問題。在本課程中，您將學習驅動這些應用程序的基本原則，并練習實現其中一些系統。具體的主題包括機器學習、搜索、馬爾科夫決策過程、約束滿足、圖形模型和邏輯。這門課程的主要目標是讓你具備解決生活中可能遇到的新人工智能問題的工具。
課程部分大綱：
- 課程簡介
- 基礎知識
- 機器學習
- 線性分類
- 損失最小化
- 隨機梯度下降法
- 章節:優化，概率，Python(綜述)
- 特性和非線性
- 神經網絡，最近鄰
- 搜索
- 馬爾可夫決策過程
- 政策評估，政策改進
- 策略迭代，值迭代
- 強化學習
- 博弈
- 約束滿足問題(Dorsa, Reid)
- 貝葉斯網絡
- 邏輯
- 結論
講師介紹：
Percy Liang，斯坦福大學計算機科學與統計系副教授，他的研究方向是自然語言處理和統計機器學習。 個人網頁：//cs.stanford.edu/~pliang/
付費5元查看完整內容
簡介： 圖是表示知識的有效方法。它們可以在一個統一的結構中表示不同類型的知識。生物科學和金融等領域已經開始積累大量的知識圖，但是它們缺乏從中提取見解的機器學習工具。
David Mack概述了自己相關想法并調查了最流行的方法。在此過程中，他指出了積極研究的領域，并共享在線資源和參考書目以供進一步研究。
作者介紹： David Mack是Octavian.ai的創始人和機器學習工程師，致力于探索圖機器學習的新方法。在此之前，他與他人共同創立了SketchDeck，這是一家由Y Combinator支持的初創公司，提供設計即服務。他擁有牛津大學的數學碩士學位和計算機科學的基礎，并擁有劍橋大學的計算機科學學士學位。
內容介紹： 本次報告涵蓋內容：為什么將圖應用在機器學習上；圖機器學習的不同方法。現存的圖機器學習往往會忽略數據中的上下文信息，使用圖可以獲取更多的潛在信息。圖的構建方法為節點分類、邊的預測，圖的分類以及邊的分類。兩個主要方法是使用機器學習算法將圖轉換為table，另一種方法是將圖轉換為網絡。在報告中作者詳細介紹了這兩種方法。
付費5元查看完整內容
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
課程簡介
麻省理工學院的深度學習入門課程，適用于計算機視覺，自然語言處理，生物學等領域。主要內容包括深度序列建模，深度計算機視覺，深度生成模型，深度強化學習等。旨在讓學習者獲得深度學習算法的基礎知識，并獲得在TensorFlow中構建神經網絡的實踐經驗。
課程大綱
- 第一講 - 深度學習入門
- 第二講 - 深度序列建模
- 實驗一 - Tensorflow簡介；音樂產生
- 第三講 - 深度計算機視覺
- 第四講 - 深度生成建模
- 實驗二 - 消除面部識別系統的偏見
- 第五講 - 深度強化學習
- 第六講 - 局限性和新領域
- 實驗三 - 像素到控制學習
首席講師：Alexander Amini、Ava Soleimany
講師簡介
Alexander Amini在麻省理工學院獲得了電子工程和計算機科學的理學學士學位和碩士學位，目前為麻省理工學院（MIT）博士生 ，NSF研究員，MIT6.S191的主要組織者和講師：《深度學習入門》。研究重點是構建用于自主系統的端到端控制（即對執行的感知）的機器學習算法，并為這些算法制定保證。并且從事自動駕駛汽車的控制，深層神經網絡的置信度，人類移動性的數學建模以及構建復雜的慣性優化系統等方面的工作。
Ava Soleimany在麻省理工學院獲得了計算機科學和分子生物學的理學學士學位，目前為哈弗大學生物學理學博士、麻省理工學院博士生，同為MIT6.S191的主要組織者和講師：《深度學習入門》。
付費5元查看完整內容
本課程涵蓋了機器學習和統計建模方面的廣泛主題。 雖然將涵蓋數學方法和理論方面，但主要目標是為學生提供解決實際中發現的數據科學問題所需的工具和原理。 本課程還可以作為基礎，以提供更多專業課程和進一步的獨立學習。 本課程是數據科學中心數據科學碩士學位課程核心課程的一部分。 此類旨在作為DS-GA-1001數據科學概論的延續，其中涵蓋了一些重要的基礎數據科學主題，而這些主題可能未在此DS-GA類中明確涵蓋。
課程大綱
- Week 1：統計學習理論框架
- Week 2：隨機梯度下降
- Week 3：正則化，Lasso, 和 Elastic網，次梯度方法
- Week 4：損失函數，SVM，代表定理
- Week 5：核方法
- Week 6：最大似然，條件概率
- Week 7：期中
- Week 8：貝葉斯方法
- Week 9：貝葉斯條件概率，多分類
- Week 10：分類和回歸樹
- Week 11：bagging和隨機森林，梯度提升
- Week 12：K-Means，高斯混合模型
- Week 13：EM算法
- Week 14：神經網絡，反向傳播
付費5元查看完整內容
主題： Introduction to Machine Learning
課程簡介： 機器學習是指通過經驗自動提高性能的計算機程序（例如，學習識別人臉、推薦音樂和電影以及驅動自主機器人的程序）。本課程從不同的角度介紹機器學習的理論和實用算法。主題包括貝葉斯網絡、決策樹學習、支持向量機、統計學習方法、無監督學習和強化學習。本課程涵蓋理論概念，例如歸納偏差、PAC學習框架、貝葉斯學習方法、基于邊際的學習和Occam的剃刀。編程作業包括各種學習算法的實際操作實驗。這門課程的目的是讓一個研究生在方法論，技術，數學和算法方面有一個徹底的基礎，目前需要的人誰做的機器學習的研究。
邀請嘉賓： Hal Daumé III，紐約市微軟研究院的研究員，是機器學習小組的一員；他也是馬里蘭大學的副教授。他主要從事自然語言處理和機器學習。
Matt Gormley，卡內基梅隆大學計算機科學學院機器學習部（ML）助教。
Roni Rosenfeld，卡內基梅隆大學計算機學院機器學習系教授兼主任，個人主頁：//www.cs.cmu.edu/~roni/。等
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