「课程资源分享」19年MLSS暑期机器学习系列课程

2019 年 8 月 15 日 专知


【导读】MLSS(Machine Learning Summer School) 暑期机器学习课程是一项历史悠久的机器学习课程了,最早始于2002年,致力于推广统计机器学习、深度学习及其应用。MLSS是一个为期12天的讲座式课程,今年的MLSS在伦敦召开。讲座嘉宾来自:DeepMind,斯坦福,MIT,帝国理工等等;讲座内容涵盖机器学习和深度学习的各个方面,一起来看看吧。


课程官网:

https://sites.google.com/view/mlss-2019


【课程及其讲师

  • deep_learning(深度学习): Kevin Webster(帝国理工), Pierre Richemond(帝国理工), Kai Arulkumaran(帝国理工)

  • optimisation(最优化): John Duchi(斯坦福)

  • variational_inference(变分推断): Shakir Mohamed(DeepMind)

  • reinforcement_learning(强化学习): Katja Hofmann(微软研究院)

  • gaussian_processes(高斯过程): James Hensman(PROWLER.io)

  • kernels(核方法): Lorenzo Rosasco(MIT)

  • mcmc(马尔科夫链蒙特卡罗): Michael Betancourt(Symplectomorphic)

  • approximate_bayesian_computation(近似贝叶斯计算): Sarah Filippi(帝国理工)

  • speech_processing(语音处理): Karen Livescu(丰田技术研究院)

  • ml_in_comp_biology(计算生物学中的机器学习): Barbara Engelhardt(普林斯顿大学)

  • fairness(公平性): Timnit Gebru(Google)

  • interpretability(可解释性): Sanmi Koyejo(Google)

  • learning_theory(学习理论): Samory Kpotufe(哥伦比亚大学)

  • submodular(子模性): Stefanie Jegelka(MIT)


【部分PPT】

  • deep_learning(深度学习): Kevin Webster(帝国理工), Pierre Richemond(帝国理工), Kai Arulkumaran(帝国理工)


  • optimisation(最优化): John Duchi(斯坦福)



  • variational_inference(变分推断): Shakir Mohamed(DeepMind)



  • reinforcement_learning(强化学习): Katja Hofmann(微软研究院)

  • gaussian_processes(高斯过程): James Hensman(PROWLER.io)


  • kernels(核方法): Lorenzo Rosasco(MIT)



  • mcmc(马尔科夫链蒙特卡罗): Michael Betancourt(Symplectomorphic)



  • approximate_bayesian_computation(近似贝叶斯计算): Sarah Filippi(帝国理工)



  • speech_processing(语音处理): Karen Livescu(丰田技术研究院)

  • ml_in_comp_biology(计算生物学中的机器学习): Barbara Engelhardt(普林斯顿大学)



  • fairness(公平性): Timnit Gebru(Google)


  • interpretability(可解释性): Sanmi Koyejo(Google)


  • learning_theory(学习理论): Samory Kpotufe(哥伦比亚大学)

  • submodular(子模性): Stefanie Jegelka(MIT)


请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“MLSS2019” 就可以获取上述所有PPT载链接~

-END-

专 · 知


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI知识资料!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成!560+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

登录查看更多
1

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【硬核课】统计学习理论,321页ppt
专知会员服务
138+阅读 · 2020年6月30日
【哈佛《CS50 Python人工智能入门》课程 (2020)】
专知会员服务
111+阅读 · 2020年4月12日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
【干货51页PPT】深度学习理论理解探索
专知会员服务
61+阅读 · 2019年12月24日
【课程推荐】普林斯顿陈丹琦COS 484: 自然语言处理课程
专知会员服务
82+阅读 · 2019年12月11日
【机器学习课程】Google机器学习速成课程
专知会员服务
164+阅读 · 2019年12月2日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
斯坦福CS236-深度生成模型2019-全套课程资料分享
深度学习与NLP
19+阅读 · 2019年8月20日
免费自然语言处理(NLP)课程及教材分享
深度学习与NLP
29+阅读 · 2019年1月18日
246 页《统计机器学习与凸优化》教程 PPT 下载
新智元
24+阅读 · 2018年9月21日
【资源】15个在线机器学习课程和教程
专知
8+阅读 · 2017年12月22日
Arxiv
8+阅读 · 2019年3月21日
Arxiv
3+阅读 · 2018年11月13日
Arxiv
6+阅读 · 2018年10月3日
Video-to-Video Synthesis
Arxiv
9+阅读 · 2018年8月20日
Arxiv
4+阅读 · 2018年3月14日
Arxiv
5+阅读 · 2017年12月14日
VIP会员
相关VIP内容
【硬核课】统计学习理论,321页ppt
专知会员服务
138+阅读 · 2020年6月30日
【哈佛《CS50 Python人工智能入门》课程 (2020)】
专知会员服务
111+阅读 · 2020年4月12日
深度强化学习策略梯度教程,53页ppt
专知会员服务
178+阅读 · 2020年2月1日
【干货51页PPT】深度学习理论理解探索
专知会员服务
61+阅读 · 2019年12月24日
【课程推荐】普林斯顿陈丹琦COS 484: 自然语言处理课程
专知会员服务
82+阅读 · 2019年12月11日
【机器学习课程】Google机器学习速成课程
专知会员服务
164+阅读 · 2019年12月2日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关论文
Arxiv
8+阅读 · 2019年3月21日
Arxiv
3+阅读 · 2018年11月13日
Arxiv
6+阅读 · 2018年10月3日
Video-to-Video Synthesis
Arxiv
9+阅读 · 2018年8月20日
Arxiv
4+阅读 · 2018年3月14日
Arxiv
5+阅读 · 2017年12月14日
Top
微信扫码咨询专知VIP会员