来自微软亚洲研究院的刘畅博士讲述《因果基础》教程,涵盖因果基础、发现与推理。

https://changliu00.github.io/

成为VIP会员查看完整内容
0
31

相关内容

来自UIUC的Transformers最新教程。

Transformer 架构 architecture Attention models Implementation details Transformer-based 语言模型 language models BERT GPT Other models

Transformer 视觉 Applications of Transformers in vision

成为VIP会员查看完整内容
0
117

机器学习中许多最重要概念路线图,如何学习它们以及使用什么工具来执行它们。

即:

🤔机器学习问题, 机器学习问题是什么样子? ♻️机器学习过程—一旦你发现一个问题,你会采取什么步骤来解决吗? 🛠—你该怎么使用机器学习工具来构建解决方案吗? 🧮机器学习数学,哪些部分机器学习代码要你写? 📚机器学习资源——好吧, 很酷,我该如何学习呢?

地址:

https://github.com/mrdbourke/machine-learning-roadmap

成为VIP会员查看完整内容
0
76

这个网络研讨会介绍了数据科学的基础知识,并简要回顾了一些统计的基本概念。它还概述了如何拥有一个成功的数据科学项目。

成为VIP会员查看完整内容
0
31

机器学习暑期学校(MLSS)系列开始于2002年,致力于传播统计机器学习和推理的现代方法。今年因新冠疫情在线举行,从6月28号到7月10号讲述了众多机器学习主题。本文推荐来自牛津大学Yee Whye Teh教授讲述《元学习》,165页ppt系统性讲述了元学习基础知识和最新进展,非常干货。

地址: http://mlss.tuebingen.mpg.de/2020/schedule.html

作者介绍

Yee Whye Teh是牛津大学统计学系的统计机器学习教授,也是DeepMind研究人工智能的科学家。他在多伦多大学(Geoffrey E. Hinton教授)获得博士学位,并在加州大学伯克利分校(Michael I. Jordan教授)和新加坡国立大学(Lee Kuan Yew博士后研究员)从事博士后工作。在进入牛津大学和DeepMind之前,他是一名讲师,后来在伦敦大学学院(UCL)盖茨比计算神经科学单元(Gatsby computing Neuroscience Unit)担任读者。他计划联合主席(Michael Titterington教授)人工智能国际会议和统计(AISTATS) 2010年,项目主持国际会议(Precup试图教授)在2017年机器学习(ICML),和am /贝叶斯分析的副主编,IEEE模式分析与机器智能,机器学习日报,统计科学,英国皇家统计学会期刊B辑和机器学习研究期刊。他曾多次担任NIPS、ICML和AISTATS的区域主席。他的研究兴趣横跨机器学习和计算统计学,包括概率方法、贝叶斯非参数学和深度学习。他开发了新颖的模型以及高效的推理和学习算法。

http://csml.stats.ox.ac.uk/people/teh/

成为VIP会员查看完整内容
0
102

【导读】机器学习暑期学校(MLSS)系列开始于2002年,致力于传播统计机器学习和推理的现代方法。今年因新冠疫情在线举行,从6月28号到7月10号讲述了众多机器学习主题。本文推荐来自德国人工智能教授 Bernhard Schölkopf教授讲述《因果性》,177页ppt系统性讲述了机器学习中的因果性,非常干货。

由Judea Pearl开创的图因果推理起源于人工智能(AI)的研究,在很长一段时间内与机器学习领域几乎没有联系。本文认为,机器学习和人工智能的硬开放问题本质上与因果关系有关,并解释了该领域是如何开始理解它们的。

近年来,机器学习社区对因果关系的兴趣显著增加。我对因果关系的理解是由Judea Pearl和许多合作者和同事所启发的,其中的大部分内容来自与Dominik Janzing和Jonas Peters合著的一本书(Peters et al., 2017)。我已经在各种场合谈论过这个话题,其中一些正在进入机器学习的主流,特别是因果建模可以提升机器学习模型的鲁棒性。因果性和机器学习的交叉的发展令人兴奋。这篇报告不仅能够对讨论因果思维对AI的重要性有所帮助,而且还可以为机器学习的观众介绍一些图或结构因果模型的相关概念。

尽管最近取得了诸多成功,但如果我们将机器学习的能力与动物的能力进行比较,我们会发现,在一些动物擅长的关键技能上,前者相当糟糕。这包括迁移到新问题,任何形式的泛化,不是从一个数据点到下一个从相同的分布(采样),而是从一个问题到下一个——都被称为泛化。这个缺点并不是太令人吃惊,因为机器学习经常忽略生物大量使用的信息: 世界干预、领域迁移、时间结构。最后,机器学习也不擅长思考,在康拉德洛伦茨的意义上,即,在想象的空间中行动。我认为,因果性关注建模和推理,可以对理解和解决这些问题做出实质性的贡献,从而将该领域带入下一个层次。

视频: https://www.youtube.com/watch?v=btmJtThWmhA&feature=youtu.be

目录内容:

  • 背景介绍
  • 结构化因果模型
  • 独立机制与解缠分解
  • 做微积分
  • 混淆
  • 因果发现:两变量情况
  • 因果机器学习
  • 时间序列
成为VIP会员查看完整内容
0
84

【导读】来自加州大学圣地亚哥分校《计算机视觉中的领域自适应》中生成式对抗网络GAN介绍

成为VIP会员查看完整内容
0
110

Graphical causal inference as pioneered by Judea Pearl arose from research on artificial intelligence (AI), and for a long time had little connection to the field of machine learning. This article discusses where links have been and should be established, introducing key concepts along the way. It argues that the hard open problems of machine learning and AI are intrinsically related to causality, and explains how the field is beginning to understand them.

0
10
下载
预览
小贴士
相关VIP内容
专知会员服务
41+阅读 · 2021年8月7日
专知会员服务
117+阅读 · 2020年11月26日
专知会员服务
76+阅读 · 2020年8月4日
专知会员服务
76+阅读 · 2020年7月28日
专知会员服务
31+阅读 · 2020年7月27日
专知会员服务
110+阅读 · 2020年6月28日
因果图,Causal Graphs,52页ppt
专知会员服务
156+阅读 · 2020年4月19日
相关论文
Yugeng Liu,Rui Wen,Xinlei He,Ahmed Salem,Zhikun Zhang,Michael Backes,Emiliano De Cristofaro,Mario Fritz,Yang Zhang
0+阅读 · 2021年10月6日
Effectiveness of Optimization Algorithms in Deep Image Classification
Zhaoyang Zhu,Haozhe Sun,Chi Zhang
0+阅读 · 2021年10月4日
Bruce Nielson,Daniel C. Elton
0+阅读 · 2021年10月2日
Xingjiao Wu,Luwei Xiao,Yixuan Sun,Junhang Zhang,Tianlong Ma,Liang He
18+阅读 · 2021年8月2日
Daniel A. Roberts,Sho Yaida,Boris Hanin
23+阅读 · 2021年6月18日
Sahil Verma,John Dickerson,Keegan Hines
17+阅读 · 2020年10月20日
Ruocheng Guo,Lu Cheng,Jundong Li,P. Richard Hahn,Huan Liu
23+阅读 · 2020年5月5日
Kemal Oksuz,Baris Can Cam,Sinan Kalkan,Emre Akbas
22+阅读 · 2020年3月11日
Bernhard Schölkopf
10+阅读 · 2019年11月24日
Alexander Jung
15+阅读 · 2018年8月19日
Top
微信扫码咨询专知VIP会员