【悉尼科大徐亦达教授】机器学习讲义,32份主题推介

2019 年 9 月 7 日 专知

【导读】悉尼科大徐亦达教授机器学习讲义,总共涵盖32个主题。2019创新工场DeeCAMP讲义,(softmax的故事) Softmax的属性, 估计softmax时不需计算分母, 概率重新参数化, Gumbel-Max技巧和REBAR算法 传统GAN,W-GAN数学,对偶性和KKT条件,Info-GAN,贝叶斯GAN, 蒙托卡罗树搜索,alphaGo学习算法, 政策梯度定理, RL中可信区域优化的数学,TRPO自然梯度, 近似策略优化(PPO), 共轭梯度算法。

地址:

https://github.com/roboticcam/machine-learning-notes

  • DeeCamp 2019:Story of Softmax

properties of Softmax, Estimating softmax without compute denominator, Probability re-parameterization: Gumbel-Max trick and REBAR algorithm (softmax的故事) Softmax的属性, 估计softmax时不需计算分母, 概率重新参数化, Gumbel-Max技巧和REBAR算法

  • DeeCamp 2018:When Probabilities meet Neural Networks

Expectation-Maximization & Matrix Capsule Networks; Determinantal Point Process & Neural Networks compression; Kalman Filter & LSTM; Model estimation & Binary classifier (当概率遇到神经网络) 主题包括:EM算法和矩阵胶囊网络; 行列式点过程和神经网络压缩; 卡尔曼滤波器和LSTM; 模型估计和二分类问题关系

Video Tutorial to these notes 视频资料

  • I recorded about 20% of these notes in videos in 2015 in Mandarin (all my notes and writings are in English) You may find them on Youtube and bilibili and Youku

我在2015年用中文录制了这些课件中约20%的内容 (我目前的课件都是英文的)大家可以在Youtube 哔哩哔哩 and 优酷 下载

Data Science 数据科学课件

  • 30 minutes introduction to AI and Machine Learning

An extremely gentle 30 minutes introduction to AI and Machine Learning. Thanks to my PhD student Haodong Chang for assist editing

30分钟介绍人工智能和机器学习, 感谢我的学生常浩东进行协助编辑

  • Regression methods

Classification: Logistic and Softmax; Regression: Linear, polynomial; Mix Effect model [costFunction.m] and [soft_max.m]

分类介绍: Logistic回归和Softmax分类; 回归介绍:线性回归,多项式回归; 混合效果模型 [costFunction.m] 和 [soft_max.m]

  • Recommendation system

collaborative filtering, Factorization Machines, Non-Negative Matrix factorisation, Multiplicative Update Rule

推荐系统: 协同过滤,分解机,非负矩阵分解,和中“乘法更新规则”的介绍

  • Dimension Reduction

classic PCA and t-SNE

经典的PCA降维法和t-SNE降维法

  • Introduction to Data Analytics and associate Jupyter notebook

Supervised vs Unsupervised Learning, Classification accuracy

数据分析简介和相关的jupyter notebook,包括监督与无监督学习,分类准确性

Deep Learning 深度学习课件

  • Optimisation methods

Optimisation methods in general. not limited to just Deep Learning

常用的优化方法。不仅限于深度学习

  • Neural Networks

basic neural networks and multilayer perceptron

神经网络: 基本神经网络和多层感知器

  • Convolution Neural Networks: from basic to recent Research

detailed explanation of CNN, various Loss function, Centre Loss, contrastive Loss, Residual Networks, Capsule Networks, YOLO, SSD

卷积神经网络:从基础到最近的研究:包括卷积神经网络的详细解释,各种损失函数,中心损失函数,对比损失函数,残差网络,胶囊网络, YOLO,SSD

  • Word Embeddings

Word2Vec, skip-gram, GloVe, Fasttext

系统的介绍了自然语言处理中的“词表示”中的技巧

  • Deep Natural Language Processing

RNN, LSTM, Seq2Seq with Attenion, Beam search, Attention is all you need, Convolution Seq2Seq, Pointer Networks

深度自然语言处理:递归神经网络,LSTM,具有注意力机制的Seq2Seq,集束搜索,指针网络和 "Attention is all you need", 卷积Seq2Seq

  • Mathematics for Generative Adversarial Networks

How GAN works, Traditional GAN, Mathematics on W-GAN, Duality and KKT conditions, Info-GAN, Bayesian GAN

GAN如何工作,传统GAN,W-GAN数学,对偶性和KKT条件,Info-GAN,贝叶斯GAN

  • Restricted Boltzmann Machine

basic knowledge in Restricted Boltzmann Machine (RBM)

受限玻尔兹曼机(RBM)中的基础知识

Reinforcement Learning 强化学习

  • Reinforcement Learning Basics

basic knowledge in reinforcement learning, Markov Decision Process, Bellman Equation and move onto Deep Q-Learning

深度增强学习: 强化学习的基础知识,马尔可夫决策过程,贝尔曼方程,深度Q学习

  • Monto Carlo Tree Search

Monto Carlo Tree Search, alphaGo learning algorithm

蒙托卡罗树搜索,alphaGo学习算法

  • Policy Gradient

Policy Gradient Theorem, Mathematics on Trusted Region Optimization in RL, Natural Gradients on TRPO, Proximal Policy Optimization (PPO), Conjugate Gradient Algorithm

政策梯度定理, RL中可信区域优化的数学,TRPO自然梯度, 近似策略优化(PPO), 共轭梯度算法

Probability and Statistics Background 概率论与数理统计基础课件

  • Bayesian model

revision on Bayes model include Bayesian predictive model, conditional expectation

复习贝叶斯模型,包括贝叶斯预测模型,条件期望等基础知识

  • Probabilistic Estimation

some useful distributions, conjugacy, MLE, MAP, Exponential family and natural parameters

一些常用的分布,共轭特性,最大似然估计, 最大后验估计, 指数族和自然参数

  • Statistics Properties

useful statistical properties to help us prove things, include Chebyshev and Markov inequality

一些非常有用的统计属性可以帮助我们在机器学习中的证明,包括切比雪夫和马尔科夫不等式

Probabilistic Model 概率模型课件

  • Expectation Maximisation

Proof of convergence for E-M, examples of E-M through Gaussian Mixture Model, [gmm_demo.m] and [kmeans_demo.m]and [Youku]

最大期望E-M的收敛证明, E-M到高斯混合模型的例子, [gmm_demo.m] 和 [kmeans_demo.m] 和 [优酷链接]

  • State Space Model (Dynamic model)

explain in detail of Kalman Filter [Youku][kalman_demo.m] and Hidden Markov Model [Youku]

状态空间模型(动态模型) 详细解释了卡尔曼滤波器 [优酷链接][kalman_demo.m] 和隐马尔可夫模型 [优酷链接]

Inference 推断课件

  • Variational Inference

explain Variational Bayes both the non-exponential and exponential family distribution plus stochastic variational inference. [vb_normal_gamma.m] and [优酷链接]

变分推导的介绍: 解释变分贝叶斯非指数和指数族分布加上随机变分推断。[vb_normal_gamma.m] 和 [优酷链接]

  • Stochastic Matrices

stochastic matrix, Power Method Convergence Theorem, detailed balance and PageRank algorithm

随机矩阵,幂方法收敛定理,详细平衡和谷歌PageRank算法

  • Introduction to Monte Carlo

inverse CDF, rejection, adaptive rejection, importance sampling [adaptive_rejection_sampling.m] and [hybrid_gmm.m]

累积分布函数逆采样, 拒绝式采样, 自适应拒绝式采样, 重要性采样 [adaptive_rejection_sampling.m] 和 [hybrid_gmm.m]

  • Markov Chain Monte Carlo

M-H, Gibbs, Slice Sampling, Elliptical Slice sampling, Swendesen-Wang, demonstrate collapsed Gibbs using LDA [lda_gibbs_example.m] and [test_autocorrelation.m] and [gibbs.m] and [Youku]

马尔可夫链蒙特卡洛的各种方法 [lda_gibbs_example.m] 和 [test_autocorrelation.m] 和 [gibbs.m] 和 [优酷链接]

  • Particle Filter (Sequential Monte-Carlo)

Sequential Monte-Carlo, Condensational Filter algorithm, Auxiliary Particle Filter [Youku]

粒子滤波器(序列蒙特卡洛)[优酷链接]

Advanced Probabilistic Model 高级概率模型课件

  • Bayesian Non Parametrics (BNP) and its inference basics

Dircihlet Process (DP), Chinese Restaurant Process insights, Slice sampling for DP [dirichlet_process.m] and [优酷链接] and [Jupyter Notebook]

非参贝叶斯及其推导基础: 狄利克雷过程,中国餐馆过程,狄利克雷过程Slice采样 [dirichlet_process.m] 和 [优酷链接] 和 [Jupyter Notebook]

  • Bayesian Non Parametrics (BNP) extensions

Hierarchical DP, HDP-HMM, Indian Buffet Process (IBP)

非参贝叶斯扩展: 层次狄利克雷过程,分层狄利克雷过程-隐马尔可夫模型,印度自助餐过程(IBP)

  • Determinantal Point Process

explain the details of DPP’s marginal distribution, L-ensemble, its sampling strategy, our work in time-varying DPP

行列式点过程解释:行列式点过程的边缘分布,L-ensemble,其抽样策略,我们在“时变行列式点过程”中的工作细节.

-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
0

相关内容

专知会员服务
158+阅读 · 2020年1月16日
【课程】纽约大学 DS-GA 1003 Machine Learning
专知会员服务
44+阅读 · 2019年10月29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
98+阅读 · 2019年10月9日
机器学习在材料科学中的应用综述,21页pdf
专知会员服务
45+阅读 · 2019年9月24日
中文课程!台大李宏毅机器学习公开课2019版上线
全球人工智能
14+阅读 · 2019年3月18日
最全数据科学学习资源:Python、线性代数、机器学习...
人工智能头条
10+阅读 · 2018年5月14日
七本书籍带你打下机器学习和数据科学的数学基础
机器学习线性代数速查
机器学习研究会
18+阅读 · 2018年2月25日
NIPS 2017:贝叶斯深度学习与深度贝叶斯学习(讲义+视频)
机器学习研究会
36+阅读 · 2017年12月10日
【推荐】免费书(草稿):数据科学的数学基础
机器学习研究会
19+阅读 · 2017年10月1日
A Modern Introduction to Online Learning
Arxiv
19+阅读 · 2019年12月31日
Arxiv
18+阅读 · 2019年1月16日
Arxiv
6+阅读 · 2018年2月28日
Arxiv
3+阅读 · 2018年2月22日
VIP会员
Top
微信扫码咨询专知VIP会员