加入AI行業拿到高薪僅僅是職業生涯的開始。現階段AI人才結構在不斷升級，對AI人才的要求也不斷升高，如果對自己沒有很高的要求，其實很容易被快速發展的趨勢所淘汰。
爲了迎合時代的需求，我們去年推出了《機器學習高端訓練營》班。這個訓練營的目的很簡單：想培養更多高端的人才，幫助那些即將或者目前從事科研的朋友，同時幫助已從事AI行業的提高技術深度。
在本期訓練營（第四期）中我們對內容做了大幅度的更新，一方面新增了對前沿主題的講解如圖神經網絡（GCN,GAT等），另外一方面對核心部分（如凸優化、強化學習）加大了對理論層面上的深度。除此之外，也會包含科研方法論、元學習、解釋性、Fair learning等系列主題。目前在全網上應該找不到類似體系化的課程。課程仍然採用全程直播授課模式。
那什麼樣的人適合來參加高階班呢？
從事AI行業多年，但技術上總感覺不夠深入，感覺在技術上遇到了瓶頸；
停留在使用模型/工具上，很難基於業務場景來提出新的模型；
對於機器學習背後的優化理論、前沿的技術不夠深入；
計劃從事尖端的科研、研究工作、申請AI領域研究生、博士生；
打算進入最頂尖的AI公司比如Google，Facebook，Amazon， 阿里，頭條等；
讀ICML，IJCAI等會議文章比較喫力，似懂非懂感覺，無法把每個細節理解透；
01 課程大綱
第一部分：凸優化與機器學習
第一週：凸優化介紹
從優化角度理解機器學習
優化技術的重要性
常見的凸優化問題
線性規劃以及Simplex Method
Two-Stage LP
案例：運輸問題講解
第二週：凸函數講解
凸集的判斷
First-Order Convexity
Second-order Convexity
Operations Preserve Convexity
二次規劃問題（QP)
案例：最小二乘問題
項目作業：股票投資組合優化
第三週：凸優化問題
常見的凸優化問題類別
半定規劃問題
幾何規劃問題
非凸函數的優化
鬆弛化（Relaxation）
整數規劃（Integer Programming)
案例：打車中的匹配問題
第四周：對偶（Duality）
拉格朗日對偶函數
對偶的幾何意義
Weak and Strong Duality
KKT條件
LP, QP, SDP的對偶問題
案例：經典模型的對偶推導及實現
對偶的其他應用
第五週：優化技術
一階與二階優化技術
Gradient Descent
Subgradient Method
Proximal Gradient Descent
Projected Gradient Descent
SGD與收斂
Newton's Method
Quasi-Newton's Method
第二部分 圖神經網絡
第六週： 數學基礎
向量空間和圖論基礎
Inner Product, Hilbert Space
Eigenfunctions, Eigenvalue
傅里葉變化
卷積操作
Time Domain, Spectral Domain
Laplacian, Graph Laplacian
第七週：譜域的圖神經網絡
卷積神經網絡迴歸
卷積操作的數學意義
Graph Convolution
Graph Filter
ChebNet
CayleyNet
GCN
Graph Pooling
案例：基於GCN的推薦
第八週：空間域的圖神經網絡
Spatial Convolution
Mixture Model Network (MoNet)
注意力機制
Graph Attention Network(GAT)
Edge Convolution
空間域與譜域的比較
項目作業：基於圖神經網絡的鏈路預測
第九周：圖神經網絡改進與應用
拓展1: Relative Position與圖神經網絡
拓展2：融入Edge特徵：Edge GCN
拓展3：圖神經網絡與知識圖譜: Knowledge GCN
拓展4：姿勢識別：ST-GCN
案例：基於圖的文本分類
案例：基於圖的閱讀理解
第三部分 強化學習
第十週：強化學習基礎
Markov Decision Process
Bellman Equation
三種方法：Value，Policy，Model-Based
Value-Based Approach: Q-learning
Policy-Based Approach: SARSA
第十一週：Multi-Armed Bandits
Multi-Armed bandits
Epsilon-Greedy
Upper Confidence Bound (UCB)
Contextual UCB
LinUCB & Kernel UCB
案例：Bandits在推薦系統的應用案例
第十二週：路徑規劃
Monte-Carlo Tree Search
N-step learning
Approximation
Reward Shaping
結合深度學習：Deep RL
項目作業：強化學習在遊戲中的應用案例
第十三週: 自然語言處理中的RL
Seq2seq模型的問題
結合Evaluation Metric的自定義loss
結合aspect的自定義loss
不同RL模型與seq2seq模型的結合
案例：基於RL的文本生成
第四部分 貝葉斯方法
第十四周：貝葉斯方法論簡介
貝葉斯定理
從MLE, MAP到貝葉斯估計
集成模型與貝葉斯方法比較
計算上的Intractiblity
MCMC與變分法簡介
貝葉斯線性迴歸
貝葉斯神經網絡
案例：基於Bayesian-LSTM的命名實體識別
第十五週：主題模型
生成模型與判別模型
隱變量模型
貝葉斯中Prior的重要性
狄利克雷分佈、多項式分佈
LDA的生成過程
LDA中的參數與隱變量
Supervised LDA
Dynamic LDA
LDA的其他變種
項目作業：LDA的基礎上修改並搭建無監督情感分析模型
第十六週：MCMC方法
Detailed Balance
對於LDA的吉布斯採樣
對於LDA的Collapsed吉布斯採樣
Metropolis Hasting
Importance Sampling
Rejection Sampling
大規模分佈式MCMC
大數據與SGLD
案例：基於分佈式的LDA訓練
第十七週：變分法（Variational Method)
變分法核心思想
KL散度與ELBo的推導
Mean-Field變分法
EM算法
LDA的變分法推導
大數據與SVI
變分法與MCMC的比較
Variational Autoencoder
Probabilistic Programming
案例：使用概率編程工具來訓練貝葉斯模型
第十八週：其他前沿主題
模型的可解釋性
解釋CNN模型
解釋序列模型
Meta Learing
Fair Learning
技術前瞻
●●●
課程其他的細節可以聯繫課程顧問來獲取
添加課程顧問小姐姐微信
報名、課程諮詢
????????????
02 部分案例和項目
運輸優化問題：在運籌學以及優化領域最爲經典的問題之一，類似的思想廣泛應用在倉庫優化，匹配等問題上。
涉及到的知識點：
線性迴歸以及優化實現
Two-Stage隨機線性規劃一下優化實現
打車中的路徑規劃問題：我們幾乎每天都在使用打車軟件或者外賣軟件。對於這些應用來講，核心算法應用就是乘客和車輛的匹配。
涉及到的知識點：
Mixed Integer Linear Programming
提供approximation bounds
經典機器學習模型的對偶推導及實現：通過此練習，更深入理解機器學習模型以及對偶的作用。
涉及到的知識點：
SVM，LP等模型
對偶技術
KKT條件
基於圖神經網絡的文本分類：當使用語法分析工具處理文本之後，一段文本便可以成爲一個圖，接下來就可以使用圖卷積神經網絡來做後續的分類工作
涉及到的知識點：
語法分析
圖神經網絡
基於圖神經網絡的閱讀理解：一般的閱讀需要讓機器閱讀多個文章並對提出的問題給出答案。在閱讀理解中抽取關鍵的實體和關係變得很重要，這些實體和關係可以用來構造一個圖。
涉及到的知識點：
命名識別，關係抽取
圖神經網絡
Heterogeneous Graph
Bandits在推薦系統的應用案例：Bandits應用在順序決策問題的應用中有易於實現、計算效率高、解決冷啓動問題、數據標註相對要求不高（一般只需部分標註作爲reward，如用戶點擊）等優點。本案例講解bandits如何應用在新聞推薦的系統中做基於內容的推薦。
涉及到的知識點：
Exploration & Exploitation
Epsilon Greedy
Upper Confidential Bounder
LineUCB
使用概率編程工具來訓練貝葉斯模型：類似於Pytorch，Tensorflow，概率編程工具提供了對貝葉斯模型的自動學習，我們以LDA等模型爲例來說明這些工具的使用。
涉及到的知識點：
概率編程
主題模型
MCMC和變分法
股票投資組合優化：在投資組合優化中，我們需要根據用戶的風險承受能力來設計並組合資產。在本項目中，我們試着在二次規劃的框架下做一些必要的修改如加入必要的限制條件、必要的正則來控制組合的稀疏性、加入投資中的先驗等信息，最後根據預先定義好的評估標準來引導模型的學習
涉及到的知識點：
二次規劃
不同的正則使用
基於限制條件的優化
先驗的引入
課程其他的細節可以聯繫課程顧問來獲取
添加課程顧問小姐姐微信
報名、課程諮詢
????????????
03 授課導師
李文哲：貪心科技創始人兼CEO，人工智能和知識圖譜領域專家，曾任金融科技獨角獸公司的首席科學家、美國亞馬遜的高級工程師，先後負責過聊天機器人、量化交易、自適應教育、金融知識圖譜等項目，並在AAAI、KDD、AISTATS等頂會上發表過15篇以上論文，並榮獲IAAI，IPDPS的最佳論文獎，多次出席行業峯會發表演講。分別在USC, TAMU，南開攻讀博士、碩士和本科。
楊棟：香港城市大學博士, UC Merced博士後，主要從事於機器學習，圖卷積，圖嵌入的研究。先後在ECCV, Trans on Cybernetics, Trans on NSE, INDIN等國際頂會及期刊上發表過數篇論文。擔任過貪心學院高階課程的講師，獲得了學員一致的好評。
04直播授課，現場推導演示
區別於劣質的PPT講解，導師全程現場推導，讓你在學習中有清晰的思路，深刻的理解算法模型背後推導的每個細節。更重要的是可以清晰地看到各種模型之間的關係！幫助你打通六脈！
▲源自：LDA模型講解
▲源自：Convex Optimization 講解
▲源自：Convergence Analysis 講解
05 課程安排（以前兩週爲例）
06 課程適合誰？
大學生
計算機相關專業的本科/碩士/博士生，需要具備一定的機器學習基礎
希望能夠深入AI領域，爲科研或者出國做準備
想在步入職場前，深入AI領域，並把自己培養成T字形人才
在職人士
目前從事AI相關的項目工作，具有良好的機器學習基礎
希望打破技術上的天花板，能夠有能力去做模型上的創新
以後往資深工程師、研究員、科學家的職業路徑發展
07 報名須知
1、本課程爲收費教學。
2、本期僅招收剩餘名額有限。
3、品質保障！正式開課後7天內，無條件全額退款。
4、學習本課程需要具備一定的機器學習基礎。
●●●
課程其他的細節可以聯繫課程顧問來獲取
添加課程顧問小姐姐微信
報名、課程諮詢
????????????