可解釋人工智能
·
隨著機器學習模型越來越多地被用于協助在醫療、金融和法律等高風險領域的關鍵決策，確保相關利益相關者能夠理解這些模型的行為變得非常重要。這種理解有助于確定是否、何時以及在多大程度上依賴這些模型生成的輸出。本研究生課程旨在讓學生熟悉可解釋人工智能（XAI）這一新興領域的最新進展。在這門課程中，我們將回顧該領域的開創性立場論文，從不同終端用戶（如醫生、機器學習研究人員/工程師）的角度理解可解釋性的概念，詳細討論不同類型的可解釋模型和事后解釋（如基于規則和基于原型的模型、特征歸因、反事實解釋、機械可解釋性），并探討可解釋性與公平性、穩健性和隱私之間的聯系。本課程還將涵蓋對大型語言模型（如 GPT-3）和擴散模型（如 DALLE 2）的最新研究，并強調在解釋這種大型生成模型的行為時所面臨的獨特機會和挑戰。
付費5元查看完整內容
相關內容
本課程介紹深度學習。學習本課程的學生將學習深度學習的理論、模型、算法、實現和最新進展，并獲得訓練深度神經網絡的經驗。課程從機器學習基礎知識和一些經典的深度模型開始，然后是訓練深度神經網絡的優化技術，大規模深度學習的實現，多任務深度學習，遷移深度學習，循環神經網絡，深度學習在計算機視覺和語音識別中的應用，以及理解深度學習的工作原理。要求學生具備微積分、線性代數、概率論、統計學和隨機過程的基本背景知識。2023年春季提供的課程特點:深度學習的最新進展，如深度強化學習、GAN、帶有語言模型的RNN、視頻分析等。掌握優化深度學習的經驗，使用流行的DL工具包(例如，PyTorch)。最終項目將帶領您完成整個研究流程:起草提案，討論想法，進行實驗，撰寫報告，并通過演示分享您的工作!
//dl.ee.cuhk.edu.hk/index.htmlIntroduction
1Machine Learning Basics 2Multi-Layer Perceptron
3Convolutional Neural Networks
4Network Architectures for Image Understanding 5Optimization of Deep Neural Networks
付費5元查看完整內容
機器學習的一個關鍵挑戰是結構化預測:將非結構化數據作為輸入并產生結構化輸出。結構化預測問題在自然語言處理、語音處理、計算生物學、計算機視覺、醫療保健等應用領域中比比皆是。在本課程中，我們將研究建立在概率圖模型、深度學習和搜索基礎上的結構化預測的現代方法。本課程將關注三個關鍵方面:模型、推理和學習。我們考慮的模型將集中于生成和判別模型，如貝葉斯網絡、馬爾可夫隨機場(MRFs)、條件隨機場(CRFs)和深度神經網絡，包括卷積神經網絡(CNNs)和循環神經網絡(RNNs)，以及圖形模型和神經網絡的混合。本課程將探討精確推理和近似推理的方法:連接樹算法、馬爾科夫鏈蒙特卡羅(MCMC)和變分方法的近似邊際推理、整數線性規劃(ILP)和搜索的近似MAP推理。我們將使用學習問題的不同形式來探索無監督、半監督和監督學習:MLE、貝葉斯推理、結構化感知器、M3Ns、搜索學習和自動編碼器。涵蓋的應用將包括機器翻譯，語音識別，DNA序列分析，場景理解，醫療診斷。這門課程被交叉列為10-418和10-618;注冊10-618的學生將做一個課程項目。
學習成果:
在本課程結束時，學生應該能夠…… * 將新任務形式化為結構化預測問題。 * 通過整合關于輸出之間的約束或交互的領域知識，開發新的圖模型 * 結合深度神經網絡和圖形模型 * 為概率圖形模型確定適當的推理方法，精確的或近似的 * 采用學習算法，充分利用可用數據 * 為結構化預測模型從頭開始實現最先進的學習和推理方法
付費5元查看完整內容
醫療健康是人工智能最令人興奮的應用領域之一，在從醫療圖像分析到基于電子健康記錄的預測和精確醫療等領域都具有變革的潛力。本課程將深入探討人工智能在醫療健康領域的最新進展，特別關注解決醫療健康問題的深度學習方法。我們將從神經網絡的基礎開始，然后在各種醫療保健數據(包括圖像、文本、多模態和時間序列數據)的背景下研究前沿的深度學習模型。在課程的后半部分，我們將討論在醫療健康等社會應用中集成AI的開放挑戰的高級主題，包括可解釋性、魯棒性、隱私和公平性。本課程旨在為來自不同背景的學生提供醫療健康領域人工智能前沿研究的概念理解和實踐基礎。
目錄內容：
付費5元查看完整內容
機器學習的進步推動了從裝配線到自動駕駛的現實世界機器人的部署。學習如何讓機器人做出更好的決策是一系列獨特的挑戰。機器人必須是安全的，通過與環境的互動在線學習，并預測人類伙伴的意圖。這門研究生水平的課程深入探討了機器人學習和決策的各種范例。我們看看:
- 交互式無遺憾學習作為處理分布轉移、對沖、探索/利用的基本框架。
- 從各種互動模式(演示、干預)中獲得的模仿學習作為一個統一的博弈論框架。
- 利用模型預測控制和無模型方法的實用強化學習。
- 開放的挑戰，如安全，因果混淆和線下學習。 本課程側重于算法，從現實世界的機器人經驗教訓，并具有強大的編程組件
講者：
付費5元查看完整內容
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，以及駕駛自動機器人的程序)。本課程從不同的角度涵蓋了機器學習的理論和實際算法。我們涵蓋的主題如貝葉斯網絡，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。本課程涵蓋了歸納偏差、PAC學習框架、貝葉斯學習方法、基于邊際的學習和奧卡姆剃刀等理論概念。編程作業包括各種學習算法的動手實驗。本課程旨在為研究生提供機器學習研究人員目前所需要的方法學、技術、數學和算法的全面基礎知識。
通過學習這門課程，能夠獲取：
實現和分析現有的學習算法，包括學習良好的分類、回歸、結構化預測、聚類和表示學習方法 將實際機器學習的多個方面整合到一個系統中:數據預處理、學習、正則化和模型選擇 描述用于學習的模型和算法的形式屬性，并解釋這些結果的實際含義 比較和對比不同的學習模式(有監督的，無監督的，等等) 設計實驗來評估和比較現實問題中不同的機器學習技術 運用概率、統計學、微積分、線性代數和最優化來開發新的預測模型或學習方法 給出ML技術的描述，分析它以確定(1)形式主義的表達能力;(2)算法隱含的歸納偏差;(3)搜索空間的大小和復雜度;(5)關于終止、收斂、正確性、準確性或泛化能力的任何保證(或缺乏保證)。
課程地址：
付費5元查看完整內容
應用機器學習
·
本課程涵蓋了機器學習和數據挖掘的一系列選定主題，重點是部署真實系統的好方法和實踐。大部分章節是關于常用的監督學習技術，和較小程度上非監督方法。這包括線性回歸和邏輯回歸的基本算法、決策樹、支持向量機、聚類、神經網絡，以及特征選擇和降維、誤差估計和經驗驗證的關鍵技術。
//www.siamak.page/teachings/comp551f20/comp551f20/
Part 1.機器學習簡史 a short tour of ML Part 2. 線性模型、概率解釋與梯度優化，linear models, their probabilistic interpretation and gradient optimization Part 3. 神經網絡與深度學習，Neural networks and deep learning
付費5元查看完整內容
醫療保健是人工智能最令人興奮的應用領域之一，在醫學圖像分析、基于電子健康記錄的預測和精確醫療等領域具有變革潛力。本課程將深入探討醫療領域人工智能的最新進展，特別關注醫療問題的深度學習方法。我們將從神經網絡基礎開始，然后在各種醫療保健數據(包括圖像、文本、多模態和時間序列數據)的背景下研究前沿的深度學習模型。在本課程的后半部分，我們將討論在社會應用(如醫療保健)中整合人工智能所面臨的開放挑戰，包括可解釋性、健壯性、隱私性和公平性。本課程旨在為來自不同背景的學生提供醫療領域人工智能前沿研究的概念理解和實踐基礎。
//web.stanford.edu/class/biods220/index.html
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