【NeurIPS2018】无监督深度学习全景教程（附193页PDF下载）

【导读】2018年12月2日到12月8日，第三十二届NeurIPS （Conference on Neural Information Processing Systems）年度会议在蒙特利尔会议中心盛大召开。该会议汇集了机器学习和计算神经领域的顶级专家学者，为广大研究者带来了大量高质量的研究成果。本文特为大家整理了来自DeepMind与Facebook研究人员联名所作的学术报告-无监督深度学习，希望大家喜欢。

介绍：

无监督学习在深度神经网络中的地位正变得越来越重要，其既可以使用大量未标记数据，也可以学习到能够快速推广到新任务和场景的表示。其主要的挑战在于如何确定学习的目标是什么，以及如何去定义这个目标。本教程将介绍一种简单粗暴的“预测所有内容”的方法，这种方法基于概率模型实现，可以通过最小描述长度原理（Minimum Mescription Length principle）来尽可能的压缩数据。同时，我们还将对该领域的一些其他方法进行综述，包括非标准的基于能量（energy-based）的模型，自监督的算法和纯粹的生成模型，如GAN等。如果时间允许的化，我们会将讨论扩展到强化学习领域，在其中的无监督学习驱动力被类比为内在动机，诸如好奇心（curiosity）、授权（empowerment）以及压缩过程之类的概念都将被作为学习的驱动因素。

作者介绍：

Alex Graves：Alex Graves在爱丁堡大学获得了理论物理学士学位，在IDSIA获得人工智能博士学位人工智能博士学位，随后在慕尼黑技术大学，以及多伦多大学的Geoff Hinton处获得博士后学位。现在供职于DeepMind，其贡献主要包括用于序列标记的时间分类算法，随机梯度变分推断、神经图灵机/可微分神经计算机结构。

Marc'Aurelio Ranzato：Marc'Aurelio Ranzato是纽约市Facebook AI研究实验室的研究科学家主管。他的研究兴趣在于无监督学习、持续学习和迁移学习，成果应用于计算机视觉、自然语言处理和语音识别领域。她在Yann LeCun的指导下获得了纽约大学计算机科学博士学位，并在多伦多大学Geoffrey Hinton处获得博后职位。于2011年加入Google Brain团队，2013年，加入Facebook并成为Facebook AI研究实验室的创始人员。

请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知），

• 后台回复“NIPSUL” 就可以获取无监督学习PDF下载链接~ 

附PDF全文：

-END-

专 · 知

人工智能领域26个主题知识资料全集获取与加入专知人工智能服务群: 欢迎微信扫一扫加入专知人工智能知识星球群，获取专业知识教程视频资料和与专家交流咨询！

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

请加专知小助手微信（扫一扫如下二维码添加），加入专知主题群（请备注主题类型：AI、NLP、CV、 KG等）交流~

 AI 项目技术 & 商务合作：bd@zhuanzhi.ai, 或扫描上面二维码联系！

请关注专知公众号，获取人工智能的专业知识！

点击“阅读原文”，使用专知