如果你準備發AI方向的論文,或準備從事科研工作或已在企業中擔任AI算法崗的工作。那麼我真誠的向大家推薦,貪心學院《機器學習高階訓練營》,目前全網上應該找不到類似體系化的課程。課程精選了四大主題進行深入的剖析講解,四個模塊分別爲凸優化、圖神經網絡、強化學習、貝葉斯模型。
適合什麼樣的人來參加吶?
-
從事AI行業多年,但技術上感覺不夠深入, 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; -
打算進入頂尖的AI公司如Google,Facebook,Amazon, 阿里等; -
讀ICML,IJCAI等會議文章比較喫力,似懂非懂, 無法把每個細節理解透
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
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
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
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
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
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
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
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
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
Markov Decision Process
Bellman Equation
三種方法:Value,Policy,Model-Based
Value-Based Approach: Q-learning
Policy-Based Approach: SARSA
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
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
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
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
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
Mixed Integer Linear Programming
提供approximation bounds
SVM,LP等模型
對偶技術
KKT條件
語法分析
圖神經網絡
命名識別,關係抽取
圖神經網絡
Heterogeneous Graph
Exploration & Exploitation
Epsilon Greedy
Upper Confidential Bounder
LineUCB
概率編程
主題模型
MCMC和變分法
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
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!
本文分享自微信公衆號 - AI算法與圖像處理(AI_study)。
如有侵權,請聯繫 [email protected] 刪除。
本文參與“OSC源創計劃”,歡迎正在閱讀的你也加入,一起分享。