亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

本課程是關于可解釋人工智能(XAI)的，這是機器學習的一個分支領域，為復雜模型提供透明度。現代機器學習嚴重依賴于黑盒模型，如樹集成和深度神經網絡;這些模型提供了最先進的準確性，但它們使理解驅動其預測的特征、概念和數據示例變得困難。因此，用戶、專家和組織很難信任這樣的模型，并且了解我們正在建模的底層過程是具有挑戰性的。 對此，一些人認為，我們應該在高風險應用中依賴內在可解釋的模型，如醫藥和消費金融。其他人主張事后解釋工具，即使是為復雜的模型提供一定程度的透明度。本課程探討了這兩種觀點，我們將討論廣泛的工具，以解決模型如何進行預測的不同問題。我們將涵蓋該領域許多活躍的研究領域，包括特征歸因、反事實解釋、實例解釋和人類- ai合作。 本課程共設10節課(每節3小時)，課程結構如下:

介紹與動機 特征重要性:基于刪除的解釋，基于傳播的解釋，評估指標 其他解釋范式:固有可解釋性模型、概念解釋、反事實解釋、實例解釋、神經元解釋 人機協作 工業應用

Lecture 1: Introduction * Lecture 2: Removal-based explanations * Lecture 3: Shapley values * Lecture 4: Propagation and gradient-based explanations * Lecture 5: Evaluating explanation methods * Lecture 6: Inherently interpretable models * Lecture 7: Concept-based explanations, neuron interpretation * Lecture 8: Counterfactual explanations, instance explanations * Lecture 9: Enhancing human-AI collaboration * Lecture 10: Model improvement, applications in industry and healthcare

來自杜克大學Fan Li的簡明《因果推理》課程！

Chapter 1. Introduction 引言 Chapter 2. Randomized experiments 隨機實驗 Chapter 2.1: Fisher's and Neyman's mode of inference Chapter 2.2: Covariate adjustment in RCT Chapter 3. Observational studies with ignorable assignments: single-time treatments Chapter 3.1. Outcome regression Chapter 3.2. Covariate balance, matching, stratification Chapter 3.3. Propensity score Chapter 3.4. Propensity score weighting: inverse probability weighting and overlap weighting Chapter 3.5. Augmented weighting and double-robust estimators Chapter 3.6. Causal inference with multiple or continuous treatments Chapter 4. Heterogenous treatment effects and machine learning 異構治療效應與機器學習 Chapter 5. Sensitivity analysis 敏感性分析 Chapter 6. Instrumental variable and principal stratification Chapter 6.1. Instrumental variable (IV), noncompliance in RCT Chapter 6.2. Post-treatment confounding: Principal Stratification Chapter 7. Regression discontinuity design (RDD) Chapter 8. Panel data: Difference-in-differences (DID) and Synthetic control (SC) Chapter 9. Sequentially ignorable assignments: time-varying treatments Chapter 10. 貝葉斯推斷因果效應，Bayesian inference for causal effects

這是Mark Schmidt在UBC教機器學習的各種課程的課程材料的集合，包括100多個講座的材料，涵蓋了大量與機器學習相關的主題。

Part 1: Computer Science 340

1. Supervised Learning Overview

Exploratory Data Analysis

Decision Trees (Notes on Big-O Notation)

Fundamentals of Learning (Notation Guide)

Probabilistic Classifiers (Probability Slides, Notes on Probability)

Non-Parametric Models

Ensemble Methods

2. Unsupervised Learning Clustering

More Clustering

Outlier Detection

Finding Similar Items

3. Linear Models Least Squares (Notes on Calculus, Notes on Linear Algebra, Notes on Linear/Quadratic Gradients)

Nonlinear Regression

Gradient Descent

Robust Regression

Feature Selection

Regularization

More Regularization

Linear Classifiers

More Linear Classifiers

Feature Engineering

Convolutions

Kernel Methods

Stochastic Gradient

Boosting

MLE and MAP (Notes on Max and Argmax)

4. Latent-Factor Models Principal Component Analysis

More PCA

Sparse Matrix Factorization

Recommender Systems

Nonlinear Dimensionality Reduction

5. Deep Learning Deep Learning

More Deep Learning

Convolutional Neural Networks

More CNNs

Part 2: Data Science 573 and 575

Structure Learning

Sequence Mining

Tensor Basics

Semi-Supervised Learning

PageRank

Part 3: Computer Science 440

A. Binary Random Variables Binary Density Estimation

Bernoulli Distribution

MAP Estimation

Generative Classifiers

Discriminative Classifiers

Neural Networks

Double Descent Curves

Automatic Differentiation

Convolutional Neural Networks

Autoencoders

Fully-Convolutional Networks

B. Categorical Random Variables Monte Carlo Approximation

Conjugate Priors

Bayesian Learning

Empirical Bayes

Multi-Class Classification

What do we learn?

Recurrent Neural Networks

Long Short Term Memory

Attention and Transformers

C. Gaussian Random Variables Univariate Gaussian

Multivariate Gaussian (Motivation)

Multivairate Gaussian (Definition)

Learning Gaussians

Bayesian Linear Regression

End to End Learning

Exponential Family

D. Markov Models Markov Chains

Learning Markov Chains

Message Passing

Markov Chain Monte Carlo

Directed Acyclic Graphical Models

Learning Graphical Models

Log-Linear Models

E. Latent-Variable Models Mixture Models

EM and KDE (Notes on EM)

HMMs and RBMs (Forward-Backward for HMMs)

Topic Models and Variational Inference

VAEs and GANs

南京大學李宇峰老師在2022年開設的高級學習課程，以周志華老師西瓜書為教材，講述了從模型選擇、到強化學習等高級機器學習主題，可供學習參考。

目錄內容：

Lecture 1: Basic info for the course [Slide] Introduction [Slide] Lecture 2: Model selection [Slide] Lecture 3: Linear Model [Slide] Support Vector Machine [Slide] Neural Network [Slide] Decision Tree [Slide] Bayesian Model [Slide] Lecture 4: Ensemble Learning [Slide] Lecture 5: Clustering [Slide] Lecture 6: Dimension Reduction [Slide] Lecture 7: Feature Selection [Slide] Lecture 8: Semi-Supervised Learning [Slide] Lecture 9: Multi-Label Learning* [Slide]

《機器學習》（西瓜書） 1-10章和11章之后的區別 ? 1-10章，主要介紹了機器學習基本原理和經典 模型（機器學習是有理論基礎，有直覺原理的） ? 11章后，開始涉及復雜學習模型，應對復雜現 實數據問題（現實世界問題是復雜的）

//cs.nju.edu.cn/liyf/aml23/aml23.htm

這是一門關于在不確定情況下強化學習(RL)和順序決策的入門課程，重點在于理解理論基礎。我們研究如何使用動態規劃方法，如價值和策略迭代，來解決具有已知模型的順序決策問題，以及如何擴展這些方法，以解決模型未知的強化學習問題。其他主題包括(但不限于)RL中的函數近似、策略梯度方法、基于模型的RL以及平衡探索-利用權衡。本課程將以講座和閱讀古典及近期論文的方式傳授給學生。因為重點是理解基礎，你應該期望通過數學細節和證明。本課程的要求背景包括熟悉概率論和統計、微積分、線性代數、最優化和(有監督的)機器學習。

//amfarahmand.github.io/IntroRL/

目錄內容：

• Introduction to Reinforcement Learning
• Structural Properties of Markov Decision Processes (Part I)
• Structural Properties of Markov Decision Processes (Part II)
• Planning with a Known Model
• Learning from a Stream of Data (Part I)
• Learning from a Stream of Data (Part II)
• Value Function Approximation (Part I)
• Value Function Approximation (Part II)
• Value Function Approximation (Part III)
• Value Function Approximation (Part IV)
• Policy Gradient Methods
• Model-based RL
• Presentations

強化學習入門筆記

這是多倫多大學計算機科學系于2021年春季教授的強化學習(RL)研究生課程介紹的講義。本課程是入門性的，因為它不需要預先接觸強化學習。然而，它不僅僅是算法的集合。相反，它試圖在RL中經常遇到的許多重要思想和概念背后建立數學直覺。在這些講義的過程中，我證明了很多基礎的，或者有時不那么基礎的，RL的結果。如果某個結果的證明過于復雜，我就證明一個簡化的版本。

強化學習(RL)既指一類問題，也指解決這類問題的一組計算方法。RL問題是指如何采取行動，使某些長期績效的概念得到最大化。RL問題，從它的定義來看，是關于一個實體的行為和交互，我們稱之為代理，與其周圍的環境，我們稱之為環境。這是一個非常普遍的目標。有人可能會說，解決AI問題等同于解決RL問題。強化學習也指解決RL問題的一套計算方法。一個代理需要做什么樣的計算才能確保它的行為能夠帶來良好的(甚至是最佳的)長期性能?實現這些的方法稱為RL方法。歷史上，在所有試圖解決RL問題的計算方法中，只有一個子集被稱為RL方法。例如Q-Learning這樣的方法(我們將在本課程中學習)是一種很好的RL方法，但是進化計算的方法，如遺傳算法，則不是。人們可以爭辯說，進化計算方法沒有太多的“學習”成分，或者它們不以個體生命的時間尺度行事，而是以世代的時間尺度行事。雖然這些是真正的區別，但這種劃分方式有些武斷。在本課堂講稿中，我們將重點放在“RL社區”中經常學習的方法上。

該課程將發展數據科學的核心領域(如:模型的回歸和分類)從幾個角度:概念的形成和屬性，解決算法及其實現，數據可視化的探索性數據分析和建模輸出的有效表示。課程將以使用Python、scikit-learn和TensorFlow的實踐課程作為補充。

引言 Introduction. Motivation, applications, examples, common data formats (csv, json), loading data with Python, calculating statistics over a dataset with numpy, logistics and overview of the course.

線性回歸 Linear Regression. Defining a model, fitting a model, least squares regression, linear regression, gradient descent, scikit-learn.

Practical: Linear Regression

分類 Classification, part I. Classification, logistic regression, perceptron, multi-class classification, classification performance measures.

Practical: Classification I

Classification, part II. An overview of other classification techniques (e.g., decision trees, SVMs) and more advanced techniques including ensemble-based models (boosting, bagging, exemplified with AdaBoost and Random Forests).

Practical: Classification II

深度學習基礎 Deep learning basics. Neural networks, applications in the world, optimization, stochastic gradient descent, backpropagation, learning rates

TensorFlow深度學習 Deep learning with TensorFlow. Introduction to TensorFlow, minimal TensorFlow example, symbolic graphs, training a network, practical tips for deep learning.

Practical: Deep learning with TensorFlow

深度學習架構 Deep learning architectures. Convolutional networks, RNNs, LSTMs, autoencoders, regularization.

Practical: Deep learning architectures

Visualization, part I. Scales and coordinates, depicting comparisons.

Visualization, part II. Common plotting patterns, including dimension reduction.

可視化 Practical: Visualization

Challenges in Data Science. Summary of the course, ethics and privacy in data science, P-hacking, look-everywhere effect, bias in the training data, interpretability, information about the hand out test.

//www.cl.cam.ac.uk/teaching/1920/M20/materials.html

來自臺灣國立清華大學吳尚鴻副教授主講的《大規模機器學習》教程，內容包括深度學習概述與學習理論。

本課程介紹深度學習的概念和實踐。課程由三個部分組成。在第一部分中，我們快速介紹了經典機器學習，并回顧了一些需要理解深度學習的關鍵概念。在第二部分中，我們將討論深度學習與經典機器學習的不同之處，并解釋為什么它在處理復雜問題如圖像和自然語言處理時是有效的。我們將介紹各種CNN和RNN模型。在第三部分，我們介紹了深度強化學習及其應用。

本課程也提供了編程的實驗。在整個課程中，我們將使用Python 3作為主要的編程語言。一些流行的機器學習庫，如Scikit-learn和Tensorflow 2.0將被使用并詳細解釋。

本課程也提供了編程的實驗。在整個課程中，我們將使用Python 3作為主要的編程語言。一些流行的機器學習庫，如Scikit-learn和Tensorflow 2.0將被使用并詳細解釋。

目錄內容：

• Introduction 引言
• Linear Algebra 線性代數
• Data Exploration & PCA (Bonus) 數據探索
• Probability & Information Theory 概率與信息理論
• Decision Trees & Random Forest (Bonus) 決策樹與隨機森林
• 數值優化 Numerical Optimization
• 感知器 Perceptron & Adaline (Bonus)
• 回歸 Regression (Bonus)
• 學習理論與正則 Learning Theory & Regularization
• 正則化 Regularization
• 概率模型 Probabilistic Models
• 線性回歸與度量 Logistic Regression & Metrics
• 非參數方法 Non-Parametric Methods & SVMs (Suggested Reading)
• 支持向量機 SVMs & Scikit-Learn Pipelines (Bonus)
• 交叉驗證 Cross Validation & Ensembling (Suggested Reading)
• 集成 CV & Ensembling (Bonus)
• 預測 Predicting News Popularity
• 大規模機器學習 Large-Scale Machine Learning
• 深度神經網絡設計 Neural Networks: Design
• 神經網絡 Neural Networks from Scratch (No Assignment)
• TensorFlow 101 (No Assignment)
• 神經網絡 Neural Networks: Optimization & Regularization
• Word2Vec
• 卷積神經網絡 Convolutional Neural Networks
• Convolutional Neural Networks & Data Pipelines
• 循環神經網絡 Recurrent Neural Networks

本課程以計算機科學的方式介紹自動語音識別，以及正確轉錄語音的問題。描述包括創建大規模語音識別系統的基本算法。所提出的算法和技術目前已在大多數研究和工業系統中得到應用。

目前在自然語言處理、計算生物學和機器學習的其他應用領域中使用的許多學習和搜索算法和技術，最初都是為解決語音識別問題而設計的。語音識別繼續給計算機科學帶來挑戰性的問題，特別是因為它產生的學習和搜索問題的規模。

因此，本課程的目的不僅僅是讓學生熟悉語音識別中使用的特定算法，而是以此為基礎來探索一般的文本和語音，以及與計算機科學其他領域相關的機器學習算法。本課程將利用幾個軟件庫，并將研究這一領域的最新研究和出版物。

目錄內容：

• Lecture 01: introduction to speech recognition, statistical formulation.
• Lecture 02: finite automata and transducers.
• Lecture 03: weighted transducer algorithms.
• Lecture 04: weighted transducer software library.
• Lecture 05: n-gram language models.
• Lecture 06: language modeling software library.
• Lecture 07: maximum entropy (Maxent) models.
• Lecture 08: expectation-maximization (EM) algorithm, hidden Markov models (HMMs).
• Lecture 09: acoustic models, Gaussian mixture models.
• Lecture 10: pronunciation models, decision trees, context-dependent models.
• Lecture 11: search algorithms, transducer optimizations, Viterbi decoder.
• Lecture 12: n-best algorithms, lattice generation, rescoring.
• Lecture 13: discriminative training (invited lecture: Murat Saraclar).
• Lecture 14: structured prediction algorithms.
• Lecture 15: adaptation.
• Lecture 16: active learning.
• Lecture 17: semi-supervised learning.

//cs.nyu.edu/~mohri/asr12/

強化學習理論(RL)，重點是樣本復雜性分析。

• Basics of MDPs and RL.
• Sample complexity analyses of tabular RL.
• Policy Gradient.
• Off-policy evaluation.
• State abstraction theory.
• Sample complexity analyses of approximate dynamic programming.
• PAC exploration theory (tabular).
• PAC exploration theory (function approximation).
• Partial observability and dynamical system modeling.

//nanjiang.cs.illinois.edu/cs598/