这是一门基于研究的机器学习数据系统(ML)课程,在ML/AI、数据管理和系统领域的交叉。这些系统为大型复杂数据集的现代数据科学应用提供了强大的动力,包括企业分析、推荐系统和社交媒体分析。学生们将了解这些系统的景观和进化以及最新的研究。这是一门以讲座为导向的课程,包括测验、考试和论文复习。它主要是为硕士学生、博士学生和对可扩展数据科学和ML工程系统的最新技术感兴趣的高级本科生量身定制的。

本课程将涵盖基于ML的数据分析的整个生命周期的关键系统主题,包括ML的数据来源和准备,可扩展ML模型构建的编程模型和系统,以及快速ML部署的系统。还可能会涉及到诸如ML系统的治理、解释和伦理等新兴主题。本课程的一个主要部分是回顾最近在这些主题上的顶级会议的前沿研究论文。请参阅课程进度表页面,了解整个主题列表,以及论文阅读列表。

https://cseweb.ucsd.edu/classes/fa21/cse234-a/schedule.html

成为VIP会员查看完整内容
0
18

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

自然语言处理技术试图用计算机模拟人类语言,解决从自动翻译到问答等各种各样的问题。CS11-711高级自然语言处理(在卡耐基梅隆大学的语言技术研究所)是一门自然语言处理的入门级研究生课程,目标是有兴趣在该领域进行前沿研究的学生。其中,我们描述了自然语言处理的基本任务,如句法、语义和篇章分析,以及解决这些任务的方法。本课程着重于使用神经网络的现代方法,并涵盖基本的建模和学习所需的算法。课程以一个项目结束,在这个项目中,学生试图在他们选择的主题中重新实施和改进一篇研究论文。

http://phontron.com/class/anlp2021/schedule.html

高级自然语言处理是一门关于自然语言处理的入门级研究生课程,面向有志于在该领域进行前沿研究的学生。其中,我们描述了自然语言处理的基本任务,如句法、语义和篇章分析,以及解决这些任务的方法。本课程着重于使用神经网络的现代方法,并涵盖基本的建模和学习所需的算法。课程以一个项目结束,在这个项目中,学生试图在他们选择的主题中重新实施和改进一篇研究论文。

目录内容:

引言

 Intro 1 - NLP 概述 Overview of NLP (8/31/2021)
 Intro 2 - 文本分类 Text Classification (9/2/2021)
 Intro 3 - 语言建模 Language Modeling and NN Basics (9/7/2021)
 Intro 4 - 神经网络基础 Neural Network Basics and Toolkit Construction (9/9/2021)

建模

Modeling 1 - 循环神经网络 Recurrent Networks (9/14/2021) Modeling 2 - 条件生成 Conditioned Generation (9/16/2021) Modeling 3 - 注意力机制 Attention (9/21/2021)

表示

Representation 1 - 预训练方法 Pre-training Methods (9/23/2021) Representation 2 - 多任务多领域Multi-task, Multi-domain, and Multi-lingual Learning (9/28/2021) Representation 3 - 提示学习Prompting + Sequence-to-sequence Pre-training (9/30/2021) Representation 4 - Interpreting and Debugging NLP Models (10/5/2021) Modeling 4 - 序列标注 Sequence Labeling (10/7/2021)

分析

Analysis 1 - Word Segmentation and Morphology (10/12/2021) Break -- No Class! (10/14/2021) Analysis 2 - Syntactic Parsing (10/19/2021) Analysis 3 - Semantic Parsing (10/21/2021) Analysis 4 - Discourse Structure and Analysis (10/26/2021)

应用

Applications 1 - 机器阅读Machine Reading QA (10/28/2021) Applications 2 - Dialog (11/02/2021) Applications 3 - Computational Social Science, Bias and Fairness (11/4/2021) Applications 4 - Information Extraction and Knowledge-based QA (11/9/2021)

学习

Learning 1 - Modeling Long Sequences (11/11/2021) Learning 2 - Structured Learning Algorithms (11/16/2021) Learning 3 - Latent Variable Models (11/18/2021) Learning 4 - Adversarial Methods for Text (11/23/2021) Thanksgiving -- No Class!! (11/25/2021) Poster Presentations (11/30/2021 and 12/2/2021)

成为VIP会员查看完整内容
0
34

在人工智能、统计学、计算机系统、计算机视觉、自然语言处理和计算生物学等许多领域中,许多问题都可以被视为从局部信息中寻找一致的全局结论。概率图模型框架为这一范围广泛的问题提供了一个统一的视图,能够在具有大量属性和巨大数据集的问题中进行有效的推理、决策和学习。这门研究生水平的课程将为您在复杂问题中运用图模型中解决核心研究主题提供坚实的基础。本课程将涵盖三个方面: 核心表示,包括贝叶斯网络和马尔科夫网络,以及动态贝叶斯网络;概率推理算法,包括精确和近似; 以及图模型的参数和结构的学习方法。进入这门课程的学生应该预先具备概率、统计学和算法的工作知识,尽管这门课程的设计是为了让有较强数学背景的学生赶上并充分参与。希望通过本课程的学习,学生能够获得足够的实际应用的多变量概率建模和推理的工作知识,能够用通用模型在自己的领域内制定和解决广泛的问题。并且可以自己进入更专业的技术文献。

成为VIP会员查看完整内容
0
41

机器学习是一个令人兴奋的话题,关于设计可以从数据中学习的机器。本课程涵盖了机器学习的必要理论、原理和算法。这些方法是基于统计学和概率论的——它们现在已经成为设计显示人工智能的系统的必要条件。

https://cedar.buffalo.edu/~srihari/CSE574/

成为VIP会员查看完整内容
0
10

如今,企业创建的机器学习(ML)模型中,有一半以上都没有投入生产。主要是面临技术上的操作挑战和障碍,还有组织上的。不管怎样,最基本的是,不在生产中的模型不能提供业务影响。

这本书介绍了MLOps的关键概念,帮助数据科学家和应用工程师不仅可以操作ML模型来驱动真正的业务变化,而且还可以随着时间的推移维护和改进这些模型。通过基于世界各地众多MLOps应用的经验教训,九位机器学习专家对模型生命周期的五个步骤——构建、预生产、部署、监控和治理——提供了深刻见解,揭示了如何将稳健的MLOps过程贯穿始终。

https://www.oreilly.com/library/view/introducing-mlops/9781492083283/

这本书帮助你:

通过减少整个ML管道和工作流程的冲突,实现数据科学价值 通过再训练、定期调整和完全重构来改进ML模型,以确保长期的准确性 设计MLOps的生命周期,使组织风险最小化,模型是公正的、公平的和可解释的 为管道部署和更复杂、不那么标准化的外部业务系统操作ML模型

成为VIP会员查看完整内容
0
70

医疗保健是人工智能最令人兴奋的应用领域之一,在医学图像分析、基于电子健康记录的预测和精确医疗等领域具有变革潜力。本课程将深入探讨医疗领域人工智能的最新进展,特别关注医疗问题的深度学习方法。我们将从神经网络基础开始,然后在各种医疗保健数据(包括图像、文本、多模态和时间序列数据)的背景下研究前沿的深度学习模型。在本课程的后半部分,我们将讨论在社会应用(如医疗保健)中整合人工智能所面临的开放挑战,包括可解释性、健壮性、隐私性和公平性。本课程旨在为来自不同背景的学生提供医疗领域人工智能前沿研究的概念理解和实践基础。

http://web.stanford.edu/class/biods220/index.html

成为VIP会员查看完整内容
2
77

本课程介绍构成现代计算机操作系统的基本概念和核心原理。这门课的目标是解释那些可能在未来许多年仍然存在的概念和原则。本课程是操作系统和分布式系统研究的起点。具体地说,本课程介绍了进程、并发、同步、调度、多程序设计、内存管理和文件系统的概念。

https://cs.jhu.edu/~huang/cs318/fall20/index.html

成为VIP会员查看完整内容
0
25

本课程是讲座和编程作业的结合,其中我们将学习现代数据库管理系统的内部原理。它将涵盖在高性能事务处理系统(OLTP)和大型分析系统(OLAP)中使用的组件的核心概念和基础。这个类将强调这些思想实现的效率和正确性。本课程适用于对系统编程感兴趣的高级本科生和研究生。

https://www.cc.gatech.edu/~jarulraj/courses/4420-f20/

成为VIP会员查看完整内容
0
19

神经网络为建模语言提供了强大的新工具,并已被用于改善一些任务的最新技术,并解决过去不容易解决的新问题。这门课(在卡内基梅隆大学语言技术学院)将从神经网络的简要概述开始,然后用大部分时间展示如何将神经网络应用于自然语言问题。每个部分将介绍一个特定的问题或自然语言的现象,描述为什么很难建模,并演示几个模型,旨在解决这个问题。在此过程中,本课程将涵盖在创建神经网络模型中有用的不同技术,包括处理不同大小和结构的句子、高效处理大数据、半监督和非监督学习、结构化预测和多语言建模。

成为VIP会员查看完整内容
0
59

【导读】卡内基梅隆大学(CMU),在2020年春季学习继续开设了由Eric P. Xing教授执教的经典课程《Probabilistic Graphical Models》(概率图模型)。这门课程从2005年开设至今,已经有十多个年头了。它影响了一代又一代计算机学者,为学界培养了大量机器学习人才。直到如今,概率图模型仍然是机器学习领域非常火热的方向,感兴趣的同学不要错过。

课程简介

在人工智能、统计学、计算机系统、计算机视觉、自然语言处理和计算生物学等许多其他领域中,许多问题都可以看作是从局部信息中寻找一致的全局结论。概率图模型框架为这一范围广泛的问题提供了统一的视角,支持对具有大量属性和庞大数据集的问题进行有效的推理、决策和学习。无论是应用图模型来解决复杂问题还是作为将图模型作为核心研究课题,本课程都能为你打下坚实基础。

邢波 Eric P. Xing 教授

Eric P.Xing是卡内基梅隆大学(Carnegie Mellon University)计算机科学教授,是2018年世界经济论坛(World Economic Forum)技术先驱公司Petuum Inc.的创始人、首席执行官和首席科学家,该公司为广泛和通用的工业人工智能应用构建标准化人工智能开发平台和操作系统。美国新泽西州立大学分子生物学与生物化学博士;美国加州大学伯克利分校(UC,Berkeley)计算机科学博士。主要研究兴趣集中在机器学习和统计学习方法论及理论的发展,和大规模计算系统和架构的开发,以解决在复杂系统中的高维、多峰和动态的潜在世界中的自动化学习、推理以及决策问题。目前或曾经担任《美国统计协会期刊》(JASA)、《应用统计年鉴》(AOAS)、《IEEE模式分析与机器智能学报》(PAMI)和《PLoS计算生物学杂志》(the PLoS JournalofComputational Biology)的副主编,《机器学习杂志》(MLJ)和《机器学习研究杂志》(JMLR)的执行主编,还是美国国防部高级研究计划署(DARPA)信息科学与技术顾问组成员,曾获得美国国家科学基金会(NSF)事业奖、Alfred P. Sloan学者奖、美国空军青年学者奖以及IBM开放协作研究学者奖等,以及多次论文奖。曾于2014年担任国际机器学习大会(ICML)主席。

http://www.cs.cmu.edu/~epxing/

课程信息:

成为VIP会员查看完整内容
0
76
小贴士
相关论文
Edward Johns
0+阅读 · 11月25日
Jinjie Ni,Tom Young,Vlad Pandelea,Fuzhao Xue,Vinay Adiga,Erik Cambria
16+阅读 · 5月10日
Prune Truong,Martin Danelljan,Fisher Yu,Luc Van Gool
3+阅读 · 4月7日
Tengyu Ma
7+阅读 · 3月24日
Chen Ma,Liheng Ma,Yingxue Zhang,Ruiming Tang,Xue Liu,Mark Coates
3+阅读 · 1月13日
Optimization for deep learning: theory and algorithms
Ruoyu Sun
81+阅读 · 2019年12月19日
Visualizing and Measuring the Geometry of BERT
Andy Coenen,Emily Reif,Ann Yuan,Been Kim,Adam Pearce,Fernanda Viégas,Martin Wattenberg
5+阅读 · 2019年10月28日
Deep Randomized Ensembles for Metric Learning
Hong Xuan,Richard Souvenir,Robert Pless
4+阅读 · 2018年9月4日
Yu-Xiong Wang,Ross Girshick,Martial Hebert,Bharath Hariharan
15+阅读 · 2018年4月3日
Liwei Cai,William Yang Wang
5+阅读 · 2018年2月20日
Top