【干货】最新深度学习课程，多伦多大学“神经网络与机器学习导论（2018年Spring）（附课件下载）- 专知

【干货】最新深度学习课程，多伦多大学“神经网络与机器学习导论（2018年Spring）（附课件下载）

【导读】多伦多大学计算机系助理教授Roger Grosse 开设的《神经网络与机器学习导论》课程涵盖了从机器学习基础知识到深度学习、强化学习等高阶内容，是AI从业者最佳的学习上手材料之一。

http://www.cs.toronto.edu/~rgrosse/

概述

机器学习是一套强大的技术，它允许计算机从数据中学习，而不是让人类专家手工编程行为。神经网络是一类最初受大脑启发的机器学习算法，但最近在实际应用中取得了很多成功。它们是谷歌( Google )和Facebook等公司生产系统的核心，用于人脸识别、语音到文本以及语言理解。

本课程概述了神经网络算法的基本思想和最新进展。本课程的前三分之二大致集中在有监督的学习上，即训练网络在有大量标记的行为示例时产生特定的行为。最后1 / 3集中于无监督学习和强化学习。

课程地址

http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/

课程内容目录

第一讲:导言
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec01.pdf
讲义地址：
http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/readings/L01%20Introduction.pdf
什么是机器学习和神经网络，你会用它们做什么？监督、无监督和强化学习。本课程的组织方式。
第二讲:线性回归
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec02.pdf
讲义地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/readings/L02%20Linear%20Regression.pdf
线性回归，一种有监督的学习任务，您需要在其中预测标量值目标。将该问题转化为优化问题，直接求解或梯度下降求解。矢量化。特征映射和多项式回归。泛化:过拟合、欠拟合和验证。
第三讲:线性分类
二元线性分类。可视化线性分类器。感知器算法。线性分类器的极限。
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec03.pdf
讲义地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/readings/L03%20Linear%20Classifiers.pdf
第四讲:学习分类器
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec04.pdf
讲义地址:
http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/readings/L04%20Training%20a%20Classifier.pdf
二进制分类中损失函数的比较。交叉熵损失、logistic激活函数和logistic回归。铰链损失。多向分类。凸损失函数。梯度检查。(注:这实际上是一次半的讲座，会遇到第五次讲座的安排。) )
第五讲:多层感知器
多层感知器。激活函数的比较。将深层神经网络视为函数组合和特征学习。线性网络的局限性和非线性网络的普适性。
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec05.pdf
建议阅读:深度学习书第6.1 - 6.4节
第六讲:反向传播
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec06.pdf
反向传播算法，一种计算梯度的方法，我们在整个过程中使用。
第7讲:分布式表示
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec07.pdf
语言建模、n - gram模型(局部化表示)、神经语言模型(分布式表示)和跳跃图(另一分布式表示)。
第八讲:优化
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec08.pdf
如何使用通过反向投影计算的梯度。优化景观特点:局部优化、鞍点优化、高原优化、沟壑优化。随机梯度下降和动量。
建议阅读:深度学习书，第8章
第九讲:泛化
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec09.pdf
偏差/方差分解、数据增加、限制容量、提前停止、权重衰减、系综、随机正则化、超参数调整。
建议阅读:深度学习书，第7章
第10讲:自动微分
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec10.pdf
如何实现自动微分系统。基于自学者的教学实施签名。
第11讲:卷积网络
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec11.pdf
卷积运算。卷积层和池层。等方差和不变性。conv网络的反向传播规则。
第12讲:图像分类
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec12.pdf
conv网络体系结构在手写体数字和对象分类中的应用。测量坐标网的尺寸。
第十三讲:追赶
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec13.pdf
没有第十三课，因为我们迷信。此外，我们已经落后了一个完整的演讲时间表，所以这将使时间表与实际涵盖的内容同步。
第14课:优化输入
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec14.pdf
第15讲:递归神经网络
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec15.pdf
递归神经网络。时光倒流。将RNNs应用于语言建模和机器翻译。
第16课:学习长期依赖关系
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec16.pdf
为什么RNN梯度爆炸和消失，无论是从背面机械的角度，还是从RNN计算的函数的概念。处理方法:渐变裁剪、输入反转、LSTM。
第17讲:学习和注意
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec17.pdf
深层残差网络。机器翻译和字幕生成的注意模型。
第18讲:学习概率模型
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec18.pdf
极大似然估计。贝叶斯参数估计和最大后验估计的基础。
第19讲:生成对抗网络
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec19.pdf
专题待定
第20讲:自回归和可逆模型
课件地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/slides/lec20.pdf
专题待定
第21讲:政策梯度
下午:下午3时27分，下午1时至2时；晚上:下午3 : 27，7 - 8点
专题待定
第22讲:问答式学习
下午:下午3时29分，下午1时至2时；晚上:下午4 : 3，6 - 7点
专题待定
第23课:玩游戏
下午:下午4时3分，下午1时至2时；晚上: 4 / 3，晚上7 - 8点
专题待定

教程

请注意，下午部分的第一堂课之后没有教程，夜间部分的最后一堂课之后也没有教程。

教程1 :线性回归
地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/tutorials/tut1.pdf
教程2 :分类 [ [·伊普森笔记本]
地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/tutorials/tut2.pdf
教程3 :反向传播 [·伊普森笔记本] [推导( PDF ) ]
地址：http://www.cs.toronto.edu/~rgrosse/courses/csc321_2018/tutorials/tut3.pdf
教程4 :签名
教程5 : PyTorch
教程6 : Conv网络
教程7 :中期审查
教程8 :注意和最大似然
教程9 :GANs
教程10 :策略梯度