课程名称: Introduction to Articial Intelligence

课程简介:

本课程主要讲述了人工智能相关知识,包括基本理论、练习和项目。

课程部分大纲:

  • 人工智能导论
  • 智能体
    • 教程:Python入门
  • 通过搜索来解决问题
    • 练习1:通过搜索来解决问题
    • 项目1:搜索算法
  • 约束满足问题
    • 练习2:约束满足问题
  • 游戏对抗性搜索
    • 练习3:游戏对抗性搜索
  • 表示不确定知识
    • 练习4:不确定性下的推理(第1部分)
  • 贝叶斯网络中的推论
    • 练习5:不确定性下的推理(第二部分)
  • 随时间推移的推理(第1部分)
  • 随时间推移的推理(第2部分)

讲师介绍:

Gilles Louppe是比利时列日大学人工智能和深度学习的副教授。他曾是纽约大学物理系和数据科学中心的博士后助理,与欧洲核子研究中心的阿特拉斯实验关系密切。他的研究处于机器学习、人工智能和物理科学的交叉点上,他目前的研究兴趣包括使用和设计新的机器学习算法,以新的和变革性的方式处理来自基础科学的数据驱动的问题。

下载索引:链接:https://pan.baidu.com/s/1aUGwQx3YUWLit3RfKNNDNw;提取码:c8lc

成为VIP会员查看完整内容
0
73

相关内容

智能体,顾名思义,就是具有智能的实体,英文名是Agent。

课程名称: Artificial Intelligence: Principles and Techniques

课程简介:

网络搜索、语音识别、人脸识别、机器翻译、自动驾驶和自动调度有什么共同之处?这些都是复杂的现实世界问题,而人工智能(AI)的目标就是用严格的数学工具来解决这些问题。在本课程中,您将学习驱动这些应用程序的基本原则,并练习实现其中一些系统。具体的主题包括机器学习、搜索、马尔科夫决策过程、约束满足、图形模型和逻辑。这门课程的主要目标是让你具备解决生活中可能遇到的新人工智能问题的工具。

课程部分大纲:

  • 课程简介
  • 机器学习
    • 线性分类
    • 损失最小化
    • 随机梯度下降法
    • 章节:优化,概率,Python(综述)
    • 特性和非线性
    • 神经网络,最近邻
  • 搜索
  • 马尔可夫决策过程
    • 政策评估,政策改进
    • 策略迭代,值迭代
    • 强化学习
  • 博弈
  • 约束满足问题(Dorsa, Reid)
  • 贝叶斯网络
  • 逻辑
  • 结论

讲师介绍:

Percy Liang,斯坦福大学计算机科学与统计系副教授,他的研究方向是自然语言处理和统计机器学习。 个人网页:https://cs.stanford.edu/~pliang/

成为VIP会员查看完整内容
0
26

简介: 图是表示知识的有效方法。它们可以在一个统一的结构中表示不同类型的知识。生物科学和金融等领域已经开始积累大量的知识图,但是它们缺乏从中提取见解的机器学习工具。

David Mack概述了自己相关想法并调查了最流行的方法。在此过程中,他指出了积极研究的领域,并共享在线资源和参考书目以供进一步研究。

作者介绍: David Mack是Octavian.ai的创始人和机器学习工程师,致力于探索图机器学习的新方法。在此之前,他与他人共同创立了SketchDeck,这是一家由Y Combinator支持的初创公司,提供设计即服务。他拥有牛津大学的数学硕士学位和计算机科学的基础,并拥有剑桥大学的计算机科学学士学位。

内容介绍: 本次报告涵盖内容:为什么将图应用在机器学习上;图机器学习的不同方法。现存的图机器学习往往会忽略数据中的上下文信息,使用图可以获取更多的潜在信息。图的构建方法为节点分类、边的预测,图的分类以及边的分类。两个主要方法是使用机器学习算法将图转换为table,另一种方法是将图转换为网络。在报告中作者详细介绍了这两种方法。

成为VIP会员查看完整内容
2019-09 Introduction to graphs and machine learning @ Strata.pdf
2
345

课程名称: Deep Learning

课程简介:

深度机器学习的最新发展使视觉识别、语音和文本理解或自主智能体系统取得了前所未有的巨大进步。在此背景下,本课程将深入探讨深度学习架构的细节,重点是学习这些任务的端到端模型。学生将学习实施、训练和调试自己的神经网络,并对该领域的前沿研究有详细的了解。该课程还将介绍推理方法的最新创新,包括微分推理、对抗性训练和贝叶斯深度学习。

课程大纲:

  • 机器学习基础
  • 神经网络
  • 卷积神经网络
  • 训练神经网络
  • 递归神经网路
  • 自动编码器和生成模型
  • 生成式对抗网络
  • 不确定性
  • 对抗性攻击与防御

讲师介绍:

Gilles Louppe是比利时列日大学人工智能和深度学习的副教授。他曾是纽约大学物理系和数据科学中心的博士后助理,与欧洲核子研究中心的阿特拉斯实验关系密切。他的研究处于机器学习、人工智能和物理科学的交叉点上,他目前的研究兴趣包括使用和设计新的机器学习算法,以新的和变革性的方式处理来自基础科学的数据驱动的问题。个人官网: http://www.montefiore.ulg.ac.be/~glouppe

下载索引:链接:https://pan.baidu.com/s/1VP1jUnzLbESolEwU08-u9Q;提取码:b8j2

成为VIP会员查看完整内容
0
134

课程简介

麻省理工学院的深度学习入门课程,适用于计算机视觉,自然语言处理,生物学等领域。主要内容包括深度序列建模,深度计算机视觉,深度生成模型,深度强化学习等。旨在让学习者获得深度学习算法的基础知识,并获得在TensorFlow中构建神经网络的实践经验。

课程大纲

  • 第一讲 - 深度学习入门
  • 第二讲 - 深度序列建模
  • 实验一 - Tensorflow简介;音乐产生
  • 第三讲 - 深度计算机视觉
  • 第四讲 - 深度生成建模
  • 实验二 - 消除面部识别系统的偏见
  • 第五讲 - 深度强化学习
  • 第六讲 - 局限性和新领域
  • 实验三 - 像素到控制学习

首席讲师:Alexander Amini、Ava Soleimany

讲师简介

Alexander Amini在麻省理工学院获得了电子工程和计算机科学的理学学士学位和硕士学位,目前为麻省理工学院(MIT)博士生 ,NSF研究员,MIT6.S191的主要组织者和讲师:《深度学习入门》。研究重点是构建用于自主系统的端到端控制(即对执行的感知)的机器学习算法,并为这些算法制定保证。并且从事自动驾驶汽车的控制,深层神经网络的置信度,人类移动性的数学建模以及构建复杂的惯性优化系统等方面的工作。

Ava Soleimany在麻省理工学院获得了计算机科学和分子生物学的理学学士学位,目前为哈弗大学生物学理学博士、麻省理工学院博士生,同为MIT6.S191的主要组织者和讲师:《深度学习入门》。

成为VIP会员查看完整内容
深度学习导论课程ppt.pdf
0
30

本课程涵盖了机器学习和统计建模方面的广泛主题。 虽然将涵盖数学方法和理论方面,但主要目标是为学生提供解决实际中发现的数据科学问题所需的工具和原理。 本课程还可以作为基础,以提供更多专业课程和进一步的独立学习。 本课程是数据科学中心数据科学硕士学位课程核心课程的一部分。 此类旨在作为DS-GA-1001数据科学概论的延续,其中涵盖了一些重要的基础数据科学主题,而这些主题可能未在此DS-GA类中明确涵盖。

课程大纲

  • Week 1:统计学习理论框架
  • Week 2:随机梯度下降
  • Week 3:正则化,Lasso, 和 Elastic网,次梯度方法
  • Week 4:损失函数,SVM,代表定理
  • Week 5:核方法
  • Week 6:最大似然,条件概率
  • Week 7:期中
  • Week 8:贝叶斯方法
  • Week 9:贝叶斯条件概率,多分类
  • Week 10:分类和回归树
  • Week 11:bagging和随机森林,梯度提升
  • Week 12:K-Means,高斯混合模型
  • Week 13:EM算法
  • Week 14:神经网络,反向传播
成为VIP会员查看完整内容
kechengDS-GA1003-Spring2019.pdf
0
38

主题: Introduction to Machine Learning

课程简介: 机器学习是指通过经验自动提高性能的计算机程序(例如,学习识别人脸、推荐音乐和电影以及驱动自主机器人的程序)。本课程从不同的角度介绍机器学习的理论和实用算法。主题包括贝叶斯网络、决策树学习、支持向量机、统计学习方法、无监督学习和强化学习。本课程涵盖理论概念,例如归纳偏差、PAC学习框架、贝叶斯学习方法、基于边际的学习和Occam的剃刀。编程作业包括各种学习算法的实际操作实验。这门课程的目的是让一个研究生在方法论,技术,数学和算法方面有一个彻底的基础,目前需要的人谁做的机器学习的研究。

邀请嘉宾: Hal Daumé III,纽约市微软研究院的研究员,是机器学习小组的一员;他也是马里兰大学的副教授。他主要从事自然语言处理和机器学习。

Matt Gormley,卡内基梅隆大学计算机科学学院机器学习部(ML)助教。

Roni Rosenfeld,卡内基梅隆大学计算机学院机器学习系教授兼主任,个人主页:https://www.cs.cmu.edu/~roni/。等

成为VIP会员查看完整内容
0
40
小贴士
相关论文
A Modern Introduction to Online Learning
Francesco Orabona
15+阅读 · 2019年12月31日
Finding Needles in a Moving Haystack: Prioritizing Alerts with Adversarial Reinforcement Learning
Liang Tong,Aron Laszka,Chao Yan,Ning Zhang,Yevgeniy Vorobeychik
3+阅读 · 2019年6月20日
Kwonjoon Lee,Subhransu Maji,Avinash Ravichandran,Stefano Soatto
4+阅读 · 2019年4月23日
Antreas Antoniou,Harrison Edwards,Amos Storkey
19+阅读 · 2019年3月5日
Data Augmentation of Room Classifiers using Generative Adversarial Networks
Constantinos Papayiannis,Christine Evers,Patrick A. Naylor
4+阅读 · 2019年1月10日
Mehdi Mohammadi,Ala Al-Fuqaha,Mohsen Guizani,Jun-Seok Oh
3+阅读 · 2018年10月9日
QuAC : Question Answering in Context
Eunsol Choi,He He,Mohit Iyyer,Mark Yatskar,Wen-tau Yih,Yejin Choi,Percy Liang,Luke Zettlemoyer
4+阅读 · 2018年8月21日
Riccardo Volpi,Pietro Morerio,Silvio Savarese,Vittorio Murino
3+阅读 · 2018年5月4日
Ignasi Clavera,Anusha Nagabandi,Ronald S. Fearing,Pieter Abbeel,Sergey Levine,Chelsea Finn
7+阅读 · 2018年3月30日
Zhang-Wei Hong,Chen Yu-Ming,Shih-Yang Su,Tzu-Yun Shann,Yi-Hsiang Chang,Hsuan-Kung Yang,Brian Hsi-Lin Ho,Chih-Chieh Tu,Yueh-Chuan Chang,Tsu-Ching Hsiao,Hsin-Wei Hsiao,Sih-Pin Lai,Chun-Yi Lee
4+阅读 · 2018年3月18日
Top
微信扫码咨询专知VIP会员