【斯坦福大牛Chelsea Finn新课】CS330:深度多任务和元学习,附课程PPT下载

2019 年 12 月 17 日 专知

导读】本文为大家带来了一份斯坦福大学的最新课程CS330——深度多任务和元学习,主讲人是斯坦福大学Chelsea Finn,她是斯坦福大学计算机科学与电气工程系的助理教授,元学习大牛。


她的博士论文——基于梯度的元学习(Learning to Learn with Gradients)很值得一读,该论文系统性地阐述了Meta Learning以及她提出的MAML的方法和相关改进。作者从Meta Learning问题出发,然后提出了MAML理论,再进行一系列基于该理论的应用尝试。


尽管深度学习在图像分类、语音识别和游戏等有监督和强化学习问题上取得了显著的成功,但这些模型在很大程度上是专门用于训练它们的单一任务的。本课程将涵盖需要解决多个任务的环境,并研究如何利用多个任务产生的结构来更有效地学习。

1. 课程介绍(Description)

尽管深度学习在图像分类、语音识别和游戏等有监督和强化学习问题上取得了显著的成功,但这些模型在很大程度上是专门用于训练它们的单一任务的。本课程将涵盖需要解决多个任务的环境,并研究如何利用多个任务产生的结构来更有效地学习。


这包括:  1)以目标为条件的强化学习技术,它利用所提供的目标空间的结构来快速地学习多个任务; 2)元学习方法旨在学习可以快速学习新任务的高效学习算法; 3)课程和终身学习,其中问题需要学习一系列任务,并利用它们的共享结构来实现知识转移。


这是一门研究生水平的课程。在课程结束时,学生将能够理解和实施最先进的多任务学习和元学习算法,并准备对这些主题进行研究。


课程链接:

http://web.stanford.edu/class/cs330/


2. 形式(Format)

这门课是演讲和阅读的结合。讲座将讨论理解和设计多任务和元学习算法所需的主题基础。在阅读课程中,学生将介绍并讨论最近在这一领域的贡献和应用。

有三次作业。在整个学期中,每个学生还将在学期结束时提交一个相关的研究项目。

3. 预备知识(Prerequisites)

需要CS 229或同等的入门机器学习课程。推荐CS 221或类似的入门人工智能课程,但不是必需的。

4. 注册登记(Enrollment)

如果你对这门课程感兴趣,请填写这张报名表。有关注册的更多信息,请参见表格。

5. 主讲:Prof. Chelsea Finn

Prof. Chelsea Finn是斯坦福大学计算机科学与电气工程系的助理教授。她的实验室IRIS通过大规模的机器人互动研究智能,并且隶属于SAIL和Statistics ML Group。她还作为Google Brain团队的一员在Google工作。


她对机器人和其他代理通过学习和交互发展广泛的智能行为的能力感兴趣。


在此之前,她在加州大学伯克利分校获得了计算机科学博士学位,在麻省理工学院获得了电气工程和计算机科学学士学位。


Chelsea Finn 年纪轻轻就已成为机器人学习领域最知名的专家之一。她开发了很多教机器人控制和操纵物体的高效方法。例如,她提出使用 MAML 方法教机器人抓取和放置物体技能,该过程中仅仅用了一个人类演示视频中的原始像素。


个人主页:http://ai.stanford.edu/~cbfinn/



6. 课程安排

01: 课程介绍,问题定义,应用(Course introduction, problem definitions, applications)

02:有监督的多任务学习,黑盒元学习(Supervised multi-task learning, black-box meta-learning)

03:TensorFlow教程(TensorFlow tutorial)

04:基于优化的元学习(Optimization-based meta-learning)

05:通过度量学习进行少量学习(Few-shot learning via metric learning)

06:贝叶斯元学习(Bayesian meta-learning)

07:强化学习入门,多任务RL,目标条件RL(Renforcement learning primer, multi-task RL, goal-conditioned RL)

08:Meta-RL,学习探索(Meta-RL, learning to explore)

09:用于多任务学习的基于模型的RL,基于元模型的RL(Model-based RL for multi-task learning, meta model-based RL)

10:终身学习:问题陈述,前后迁移(Lifelong learning: problem statement, forward & backward transfer)

11:前沿: 记忆,无监督元学习,开放性问题(Frontiers: Memorization, unsupervised meta-learning, open problems)


请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“2019CS330” 就可以获取课程PPT的下载链接~ 

-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!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
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
点击“阅读原文”,了解使用专知,查看5000+AI主题知识资料
登录查看更多
2

相关内容

Meta Learning,元学习,也叫 Learning to Learn(学会学习)。是继Reinforcement Learning(增强学习)之后又一个重要的研究分支。

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
斯坦福大学经典《自然语言处理cs224n》2020课件合集
专知会员服务
95+阅读 · 2020年5月25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
【斯坦福新课】CS234:强化学习,附课程PPT下载
专知会员服务
117+阅读 · 2020年1月15日
【斯坦福大学Chelsea Finn-NeurIPS 2019】贝叶斯元学习
专知会员服务
37+阅读 · 2019年12月17日
Arxiv
15+阅读 · 2019年9月11日
Arxiv
13+阅读 · 2019年1月26日
Conditional BERT Contextual Augmentation
Arxiv
8+阅读 · 2018年12月17日
Arxiv
136+阅读 · 2018年10月8日
VIP会员
相关VIP内容
相关论文
Arxiv
15+阅读 · 2019年9月11日
Arxiv
13+阅读 · 2019年1月26日
Conditional BERT Contextual Augmentation
Arxiv
8+阅读 · 2018年12月17日
Arxiv
136+阅读 · 2018年10月8日
Top
微信扫码咨询专知VIP会员