机器学习涉及的是通过经验自动提高其性能的计算机程序(例如,学习人脸识别,推荐音乐和电影,以及驱动自主机器人的程序)。本课程从多种角度涵盖了机器学习的理论和实际算法。我们涵盖了贝叶斯网络、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等主题。课程涵盖的理论概念如归纳偏差,PAC学习框架,贝叶斯学习方法,基于边际的学习,和奥卡姆剃刀。编程作业包括各种学习算法的动手实验。本课程旨在为研究生提供机器学习研究人员所需要的方法论、技术、数学和算法的全面基础知识。

学习成果: 课程结束时,学生应能够:

实现并分析现有的学习算法,包括为分类、回归、结构预测、聚类和表示学习而充分研究的方法 将实际机器学习的多个方面集成到一个系统中:数据预处理、学习、正则化和模型选择 描述学习模型和算法的形式属性,并解释这些结果的实际含义 比较和对比不同的学习范式(监督的、非监督的,等等) 设计实验评估和比较不同的机器学习技术在现实世界的问题 运用概率论、统计学、微积分、线性代数和最优化来开发新的预测模型或学习方法 给出一种ML技术的描述,分析它,确定(1)形式主义的表达能力;(2)算法中隐含的归纳偏差;(3)搜索空间

参考书籍:

Machine Learning, Tom Mitchell. Machine Learning: a Probabilistic Perspective, Kevin Murphy. Full online access is free through CMU’s library – for the second link, you must be on CMU’s network or VPN. A Course in Machine Learning, Hal Daumé III. Online only.

目录内容: Classification & Regression Linear Models 深度学习 强化学习 生成模型 概率图模型 学习理论 学习方式

成为VIP会员查看完整内容
0
37

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

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

人工智能是一门研究生(高年级本科生可选)专业基础课程,旨在讲授人工智能的基本理论、方法和技术,并落实到算法,主要内容包括:智能体,搜索算法,约束满足问题,逻辑智能体,自动推理,自动规划,知识表示,不确定知识和推理, 决策,机器学习,自然语言理解,机器人等。授课内容参见讲义。参考资料选自国际优秀教材和重要文献。

https://www.math.pku.edu.cn/teachers/linzq/teaching/ai/ai.html

人工智能 

1 引论

1.1  AI

1.2  基础

1.3  历史

1.4  现状

1.5  争论

2 智能体

2.1 智能体

2.2 智能程序

2.3 理性

2.4 环境

2.5 智能体结构

2.6 多智能体

3 搜索算法

3.1 问题求解主体

3.2 基本搜索算法

3.3 启发式搜索

3.4 局部搜索

3.5 在线搜索

3.6 对抗搜索

3.7 元搜索

4 约束满足问题

4.1  约束满足问题

4.2  约束传播

4.3  回溯搜索

4.4  局部搜索

4.5  结构与分解

5 逻辑智能体

5.1 知识智能体

5.2 命题逻辑

5.3 可满足性问题

5.4 一阶逻辑

5.5 AI的逻辑基础

6 自动推理

6.1 自动定理证明

6.2 前向和反向推理

6.3 归结

6.4 模型检测

7 自动规划

7.1  规划智能体

7.2  经典规划

7.3  分层规划

7.4  情态演算

7.5  偏序规划

7.6  非经典规划

7.7  排程

8 知识表示

8.1  知识

8.2  本体

8.3  产生式系统

8.4  定性物理

8.5  结构描述

8.6  框架与语义网

8.7  语义Web

8.8  知识图谱

8.9  知识嵌入

8.10  变化

8.11  解释与诊断

8.12  心智状态

8.13  常识   

9 不确定知识和推理

9.1  不确定性

9.2  概率

9.3  贝叶斯网络

9.4  概率推理

9.5  动态贝叶斯网络

9.6  因果推理

9.7  概率程序设计

9.8  概率逻辑

10 决策

10.1 决策智能体

10.2 优先性

10.3 效用

10.4 决策网

10.5 序列决策

10.6 多智能体系统

10.7 博弈论

11 机器学习

11.1 学习智能体

11.2 归纳学习

11.3 深度学习

11.4 统计学习

11.5 强化学习

11.6 迁移学习

11.7 集成学习

11.8 联邦学习

11.9 解释学习

11.10 计算学习理论

12 自然语言理解

12.1 语言

12.2 语法

12.3 语义

12.4 语言模型

12.5 神经语言系统

12.6 自然语言任务

12.7 对话 AI

13 机器人

13.1 机器人

13.2 计算机视觉

13.3 机器人感知

13.4 运动规划

13.5 控制器

13.6 智能汽车

14 人工智能哲学

14.1  AI 哲学

14.2  弱 AI

14.3  强 AI 

14.4  伦理

14.5  AI 的未来
成为VIP会员查看完整内容
0
11

提起李宏毅老师,熟悉机器学习的读者朋友一定不会陌生。很多人选择的机器学习入门学习材料都是李宏毅老师的台大公开课视频。今年李宏毅老师开设一门新的机器学习机器学习课程,涵盖最新热门主题,非常值得关注!

李宏毅老师的机器学习视频是机器学习领域经典的中文视频之一,也被称为中文世界中最好的机器学习视频。李老师以幽默风趣的上课风格让很多晦涩难懂的机器学习理论变得轻松易懂,他将理论知识与有趣的例子结合在课堂上展现,并且对深奥的理论知识逐步推导,保证学习者能够学习到问题的精髓所在。比如老师会经常用宝可梦来结合很多机器学习算法。对于想入门机器学习又想看中文讲解的人来说绝对是非常推荐的。

https://speech.ee.ntu.edu.tw/~hylee/ml/2021-spring.html

目录内容: 引言 深度学习 自注意力 机器学习理论 Transformer 生成式模型 自监督学习 可解释AI,对抗攻击 域自适应,强化学习 量子机器学习 终身压缩 元学习

成为VIP会员查看完整内容
0
36

这是一门关于机器学习的入门课程。机器学习是一组技术,它允许机器从数据和经验中学习,而不是要求人类手工指定所需的行为。在过去的20年里,机器学习技术在人工智能的学术领域和科技行业中都变得越来越重要。本课程提供了一些最常用的ML算法的广泛介绍。

课程的前半部分侧重于监督学习。我们从最近邻、决策树和集合开始。然后介绍了参数化模型,包括线性回归、logistic回归和softmax回归以及神经网络。然后我们转向无监督学习,特别关注概率模型,以及主成分分析和k均值。最后,我们介绍了强化学习的基础知识。

课程内容:

  • 最近邻导论
  • 决策树集成
  • 线性回归线性分类
  • Softmax回归、SVM、Boosting
  • PCA、Kmeans、最大似然
  • 概率图模型
  • 期望最大化
  • 神经网络
  • 卷积神经网络
  • 强化学习
  • 可微分隐私
  • 算法公平性

https://www.cs.toronto.edu/~huang/courses/csc2515_2020f/

推荐阅读材料: Hastie, Tibshirani, and Friedman: “The Elements of Statistical Learning” Christopher Bishop: “Pattern Recognition and Machine Learning”, 2006. Kevin Murphy: “Machine Learning: a Probabilistic Perspective”, 2012. David Mackay: “Information Theory, Inference, and Learning Algorithms”, 2003. Shai Shalev-Shwartz & Shai Ben-David: “Understanding Machine Learning: From Theory to Algorithms”, 2014.

学习路线图:

成为VIP会员查看完整内容
0
37

http://www.math.arizona.edu/∼hzhang/math574.html

随着信息技术的飞速发展,在各个领域产生了大量的科学和商业数据。例如,人类基因组数据库项目已经收集了千兆字节的人类遗传密码数据。万维网提供了另一个例子,它拥有由数百万人使用的文本和多媒体信息组成的数十亿Web页面。

本课程涵盖了现代数据科学技术,包括基本的统计学习理论及其应用。将介绍各种数据挖掘方法、算法和软件工具,重点在概念和计算方面。将涵盖生物信息学、基因组学、文本挖掘、社交网络等方面的应用。

本课程着重于现代机器学习的统计分析、方法论和理论。它是为学生谁想要实践先进的机器学习工具和算法,也了解理论原理和统计性质的算法。主题包括回归、分类、聚类、降维和高维分析。

成为VIP会员查看完整内容
0
36

这本受欢迎的教科书的第一版,当代人工智能,提供了一个学生友好的人工智能介绍。这一版完全修订和扩大更新,人工智能: 介绍机器学习,第二版,保留相同的可访问性和解决问题的方法,同时提供新的材料和方法。

该书分为五个部分,重点介绍了人工智能中最有用的技术。书的第一部分涵盖了基于逻辑的方法,而第二部分着重于基于概率的方法。第三部分是涌现智能的特点,探讨了基于群体智能的进化计算和方法。接下来的最新部分将提供神经网络和深度学习的详细概述。书的最后一部分着重于自然语言的理解。

适合本科生和刚毕业的研究生,本课程测试教材为学生和其他读者提供关键的人工智能方法和算法,以解决具有挑战性的问题,涉及系统的智能行为在专门领域,如医疗和软件诊断,金融决策,语音和文本识别,遗传分析等。

https://www.routledge.com/Artificial-Intelligence-With-an-Introduction-to-Machine-Learning-Second/Neapolitan-Jiang/p/book/9781138502383

成为VIP会员查看完整内容
0
99

【导读】2020新年伊始,多伦多大学Amir-massoud Farahmand和Emad A. M. Andrews博士开设了机器学习导论课程,介绍了机器学习的主要概念和思想,并概述了许多常用的机器学习算法。它还可以作为更高级的ML课程的基础。

课程地址:

https://amfarahmand.github.io/csc311/

机器学习(ML)是一组技术,它允许计算机从数据和经验中学习,而不需要人工指定所需的行为。ML在人工智能作为一个学术领域和工业领域都变得越来越重要。本课程介绍了机器学习的主要概念和思想,并概述了许多常用的机器学习算法。它还可以作为更高级的ML课程的基础。

本课程结束时,学生将学习(大致分类)

  • 机器学习问题:监督(回归和分类),非监督(聚类,降维),强化学习

  • 模型:线性和非线性(基扩展和神经网络)

  • 损失函数:平方损失、交叉熵、铰链、指数等。

  • Regularizers: l1和l2

  • 概率观点:最大似然估计,最大后验,贝叶斯推理

  • 偏差和方差的权衡

  • 集成方法:Bagging 和 Boosting

  • ML中的优化技术: 梯度下降法和随机梯度下降法

课程目录:

参考资料:

(ESL) Trevor Hastie, Robert Tibshirani, and Jerome Friedman, The Elements of Statistical Learning, 2009.

(PRML) Christopher M. Bishop, Pattern Recognition and Machine Learning, 2006.

(RL) Richard S. Sutton and Andrew G. Barto Reinforcement Learning: An Introduction, 2018.

(DL) Ian Goodfellow, Yoshua Bengio and Aaron Courville (2016), Deep Learning

(MLPP) Kevin P. Murphy, Machine Learning: A Probabilistic Perspective, 2013.

(ISL) Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani, Introduction to Statistical Learning, 2017.

() Shai Shalev-Shwartz and Shai Ben-David Understanding Machine Learning: From Theory to Algorithms, 2014.

(ITIL) David MacKay, Information Theory, Inference, and Learning Algorithms, 2003.

成为VIP会员查看完整内容
0
30

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
32
小贴士
相关VIP内容
专知会员服务
37+阅读 · 2020年10月11日
专知会员服务
36+阅读 · 2020年8月30日
专知会员服务
99+阅读 · 2020年7月5日
MIT新书《强化学习与最优控制》
专知会员服务
112+阅读 · 2019年10月9日
【CMU】机器学习导论课程(Introduction to Machine Learning)
专知会员服务
32+阅读 · 2019年8月26日
相关论文
On Biasing Transformer Attention Towards Monotonicity
Annette Rios,Chantal Amrhein,Noëmi Aepli,Rico Sennrich
0+阅读 · 4月8日
Exact Stochastic Second Order Deep Learning
Fares B. Mehouachi,Chaouki Kasmi
0+阅读 · 4月8日
DoubleML -- An Object-Oriented Implementation of Double Machine Learning in Python
Philipp Bach,Victor Chernozhukov,Malte S. Kurz,Martin Spindler
0+阅读 · 4月7日
Jarkko Kari,Victor H. Lutfalla
0+阅读 · 4月7日
Kathleen Siminyu,Godson Kalipe,Davor Orlic,Jade Abbott,Vukosi Marivate,Sackey Freshia,Prateek Sibal,Bhanu Neupane,David I. Adelani,Amelia Taylor,Jamiil Toure ALI,Kevin Degila,Momboladji Balogoun,Thierno Ibrahima DIOP,Davis David,Chayma Fourati,Hatem Haddad,Malek Naski
0+阅读 · 4月6日
Peter L. Bartlett,Andrea Montanari,Alexander Rakhlin
12+阅读 · 3月16日
Interpretable machine learning: definitions, methods, and applications
W. James Murdoch,Chandan Singh,Karl Kumbier,Reza Abbasi-Asl,Bin Yu
12+阅读 · 2019年1月14日
ML-Net: multi-label classification of biomedical texts with deep neural networks
Jingcheng Du,Qingyu Chen,Yifan Peng,Yang Xiang,Cui Tao,Zhiyong Lu
6+阅读 · 2018年11月15日
Jack Hessel,David Mimno,Lillian Lee
5+阅读 · 2018年5月23日
Tobias Ross,David Zimmerer,Anant Vemuri,Fabian Isensee,Sebastian Bodenstedt,Fabian Both,Philip Kessler,Martin Wagner,Beat Müller,Hannes Kenngott,Stefanie Speidel,Klaus Maier-Hein,Lena Maier-Hein
6+阅读 · 2018年1月26日
Top