246 页《统计机器学习与凸优化》教程 PPT 下载

2018 年 9 月 21 日 新智元
246 页《统计机器学习与凸优化》教程 PPT 下载

新智元 AI World 2018 世界人工智能峰会

全程回顾

新智元于9月20日在北京国家会议中心举办AI WORLD 2018世界人工智能峰会,邀请机器学习教父、CMU教授 Tom Mitchell,迈克思·泰格马克,周志华,陶大程,陈怡然等AI领袖一起关注机器智能与人类命运。


爱奇艺

上午:https://www.iqiyi.com/v_19rr54cusk.html

下午:https://www.iqiyi.com/v_19rr54hels.html

新浪:http://video.sina.com.cn/l/p/1724373.html







  新智元推荐  

来源:专知(ID:Quan_Zhuanzhi)

【新智元导读】统计机器学习和凸优化都是现代机器学习研究和实践的重要理论基础。今天给大家带来的是由 INRIA 的 Francis Bach 主讲的 246 页《统计机器学习与凸优化》教程。


震撼!AI WORLD 2018世界人工智能峰会开场视频


统计机器学习(Statistical Machine Learning)是关于计算机基于数据构建概率统计模型并运用模型对数据进行预测与分析的一门学科。凸优化(convex optimization)是指一种比较特殊的优化,是指求取最小值的目标函数为凸函数的一类优化问题。两者都是现代机器学习研究和实践的重要理论基础。今天给大家带来的是由 INRIA 的 Francis Bach 主讲的 246 页《统计机器学习与凸优化》教程。


教程大纲:

  1. 介绍(Introduction)

  2. 凸优化的经典方法(Classical methods for convex optimization)

  3. 非光滑随机近似(Non-smooth stochastic approximation)

  4. 平滑的随机近似算法(Smooth stochastic approximation algorithms)

  5. 有限数据集(Finite data sets)


246 页PPT下载地址:

https://www.di.ens.fr/~fbach/fbach_mlss_2018.pdf







新智元AI WORLD 2018世界人工智能峰会

全程回顾


新智元于9月20日在北京国家会议中心举办AI WORLD 2018世界人工智能峰会,邀请机器学习教父、CMU教授 Tom Mitchell,迈克思·泰格马克,周志华,陶大程,陈怡然等AI领袖一起关注机器智能与人类命运。


全程回顾新智元 AI World 2018 世界人工智能峰会盛况: 

爱奇艺 

上午:https://www.iqiyi.com/v_19rr54cusk.html 

下午:https://www.iqiyi.com/v_19rr54hels.html

新浪:http://video.sina.com.cn/l/p/1724373.html


登录查看更多
10

相关内容

统计学习是关于计算机基于数据构建的概率统计模型并运用模型对数据进行预测和分析的一门科学,统计学习也称为统计机器学习

机器学习暑期学校(MLSS)系列开始于2002年,致力于传播统计机器学习和推理的现代方法。今年因新冠疫情在线举行,从6月28号到7月10号讲述了众多机器学习主题。本文推荐来自牛津大学Yee Whye Teh教授讲述《元学习》,165页ppt系统性讲述了元学习基础知识和最新进展,非常干货。

地址: http://mlss.tuebingen.mpg.de/2020/schedule.html

作者介绍

Yee Whye Teh是牛津大学统计学系的统计机器学习教授,也是DeepMind研究人工智能的科学家。他在多伦多大学(Geoffrey E. Hinton教授)获得博士学位,并在加州大学伯克利分校(Michael I. Jordan教授)和新加坡国立大学(Lee Kuan Yew博士后研究员)从事博士后工作。在进入牛津大学和DeepMind之前,他是一名讲师,后来在伦敦大学学院(UCL)盖茨比计算神经科学单元(Gatsby computing Neuroscience Unit)担任读者。他计划联合主席(Michael Titterington教授)人工智能国际会议和统计(AISTATS) 2010年,项目主持国际会议(Precup试图教授)在2017年机器学习(ICML),和am /贝叶斯分析的副主编,IEEE模式分析与机器智能,机器学习日报,统计科学,英国皇家统计学会期刊B辑和机器学习研究期刊。他曾多次担任NIPS、ICML和AISTATS的区域主席。他的研究兴趣横跨机器学习和计算统计学,包括概率方法、贝叶斯非参数学和深度学习。他开发了新颖的模型以及高效的推理和学习算法。

http://csml.stats.ox.ac.uk/people/teh/

成为VIP会员查看完整内容
0
93

【导读】机器学习暑期学校(MLSS)系列开始于2002年,致力于传播统计机器学习和推理的现代方法。今年因新冠疫情在线举行,从6月28号到7月10号讲述了众多机器学习主题。本文推荐来自米兰大学Nicoló Cesa-Bianchi教授讲述《统计学习理论》,非常干货,包括:

  • 统计学习的简介
  • 从统计学习到序列决策
  • 专家意见和多武装强盗的预测
  • 在线凸优化
  • 上下文老虎机算法

成为VIP会员查看完整内容
0
96

人类的视觉系统证明,用极少的样本就可以学习新的类别;人类不需要一百万个样本就能学会区分野外的有毒蘑菇和可食用蘑菇。可以说,这种能力来自于看到了数百万个其他类别,并将学习到的表现形式转化为新的类别。本报告将正式介绍机器学习与热力学之间的联系,以描述迁移学习中学习表征的质量。我们将讨论诸如速率、畸变和分类损失等信息理论泛函如何位于一个凸的,所谓的平衡曲面上。我们规定了在约束条件下穿越该表面的动态过程,例如,一个调制速率和失真以保持分类损失不变的等分类过程。我们将演示这些过程如何完全控制从源数据集到目标数据集的传输,并保证最终模型的性能。

成为VIP会员查看完整内容
0
114

DeepMind 与 UCL 合作推出了一门深度学习与强化学习进阶课程,以在线视频形式呈现。课件包括18个课程的16个PPT共开放,每节课都长达 1 小时 40 分钟,内容从深度学习框架 TensoFlow 的介绍到构建游戏智能体,可谓全面。

该课程最初在伦敦大学学院(UCL)进行,为方便在线观看进行了录像。多位 DeepMind 的研究人员、UCL 教师参与了课程的设计。

课程由两部分组成,一是包含深度神经网络的机器学习,二是利用强化学习进行预测和控制,两个部分相互穿插。在探讨深度学习的过程中,这两条线交汇在一起,其中的深度神经网络被训练为强化学习背景下的函数逼近器。

课程中的深度学习部分首先介绍了神经网络及使用 TensorFlow 的监督学习,接下来探讨了卷积神经网络、循环神经网络、端到端及基于能量的学习、优化方法、无监督学习、注意力及记忆。涉及的应用领域包括目标识别和自然语言处理。

视频课程地址:https://www.youtube.com/playlist?list=PLqYmG7hTraZDNJre23vqCGIVpfZ_K2RZs

PPT下载链接:https://pan.baidu.com/s/1BJNjnF-nXN4LjQ3XvtxdaQ 提取码: 8s86

成为VIP会员查看完整内容
0
72
小贴士
相关VIP内容
【硬核课】统计学习理论,321页ppt
专知会员服务
96+阅读 · 2020年6月30日
专知会员服务
65+阅读 · 2020年6月28日
专知会员服务
114+阅读 · 2020年5月22日
专知会员服务
37+阅读 · 2020年3月24日
专知会员服务
50+阅读 · 2020年3月2日
专知会员服务
85+阅读 · 2020年2月1日
相关论文
Equalization Loss for Long-Tailed Object Recognition
Jingru Tan,Changbao Wang,Buyu Li,Quanquan Li,Wanli Ouyang,Changqing Yin,Junjie Yan
5+阅读 · 2020年4月14日
Krishna Kumar P.,Paul Langton,Wolfgang Gatterbauer
4+阅读 · 2020年3月5日
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications
Jie Gui,Zhenan Sun,Yonggang Wen,Dacheng Tao,Jieping Ye
41+阅读 · 2020年1月20日
Wenwu Zhu,Xin Wang,Peng Cui
18+阅读 · 2020年1月2日
A Modern Introduction to Online Learning
Francesco Orabona
14+阅读 · 2019年12月31日
Ke Sun,Bin Xiao,Dong Liu,Jingdong Wang
5+阅读 · 2019年2月25日
dynnode2vec: Scalable Dynamic Network Embedding
Sedigheh Mahdavi,Shima Khoshraftar,Aijun An
9+阅读 · 2018年12月6日
Craig Macartney,Tillman Weyde
6+阅读 · 2018年11月27日
Yao Quanming,Wang Mengshuo,Jair Escalante Hugo,Guyon Isabelle,Hu Yi-Qi,Li Yu-Feng,Tu Wei-Wei,Yang Qiang,Yu Yang
6+阅读 · 2018年10月31日
q-Space Novelty Detection with Variational Autoencoders
Aleksei Vasilev,Vladimir Golkov,Marc Meissner,Ilona Lipp,Eleonora Sgarlata,Valentina Tomassini,Derek K. Jones,Daniel Cremers
3+阅读 · 2018年10月25日
Top