本文档包含了物理模拟环境中与深度学习相关的所有内容的实用和全面的介绍。尽可能多地,所有主题都以Jupyter形式提供了实际操作的代码示例,以便快速入门。除了标准的监督学习数据,我们将着眼于物理损失约束,更紧密耦合的学习算法与可微分模拟,以及强化学习和不确定性建模。我们生活在一个激动人心的时代: 这些方法有巨大的潜力从根本上改变计算机模拟所能达到的效果。

在本文中,我们将介绍将物理模型引入深度学习的不同方法,即基于物理的深度学习(PBDL)方法。为了增加集成的紧密性,将引入这些算法变体,并将讨论不同方法的优缺点。重要的是要知道每种不同的技术在哪些场景中特别有用。

成为VIP会员查看完整内容
0
38

相关内容

机器学习的一个分支,它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。

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

将机器学习(ML)和深度学习(DL)结合在金融交易中,重点放在投资管理上。这本书解释了投资组合管理、风险分析和绩效分析的系统方法,包括使用数据科学程序的预测分析。

本书介绍了模式识别和未来价格预测对时间序列分析模型的影响,如自回归综合移动平均模型(ARIMA),季节ARIMA (SARIMA)模型和加性模型,包括最小二乘模型和长期短期记忆(LSTM)模型。运用高斯隐马尔可夫模型提出了隐模式识别和市场状态预测。这本书涵盖了K-Means模型在股票聚类中的实际应用。建立了方差协方差法和模拟法(蒙特卡罗模拟法)在风险值估算中的实际应用。它还包括使用逻辑斯蒂分类器和多层感知器分类器的市场方向分类。最后,本书介绍了投资组合的绩效和风险分析。

到本书结束时,您应该能够解释算法交易如何工作及其在现实世界中的实际应用,并知道如何应用监督和无监督的ML和DL模型来支持投资决策,并实施和优化投资策略和系统。

你将学习:

了解金融市场和算法交易的基本原理,以及适用于系统性投资组合管理的监督和无监督学习模型

了解特征工程、数据可视化、超参数优化等概念

设计、构建和测试有监督和无监督的ML和DL模型

发现季节性、趋势和市场机制,模拟市场变化和投资策略问题,预测市场方向和价格

以卓越的资产类别构建和优化投资组合,并衡量潜在风险

成为VIP会员查看完整内容
0
68

机器学习已经成为近年来最流行的话题之一。我们今天看到的机器学习的应用只是冰山一角。机器学习革命才刚刚开始。它正在成为所有现代电子设备不可分割的一部分。在自动化领域的应用,如汽车、安全和监视、增强现实、智能家居、零售自动化和医疗保健,还不多。机器人技术也正在崛起,主宰自动化世界。机器学习在机器人领域的未来应用仍未被普通读者发现。因此,我们正在努力编写这本关于机器学习在机器人技术上的未来应用的编辑书籍,其中几个应用已经包含在单独的章节中。这本书的内容是技术性的。它试图覆盖机器学习的所有可能的应用领域。这本书将提供未来的愿景在未探索的领域的应用机器人使用机器学习。本书中提出的观点得到了原始研究结果的支持。本章在这里提供了所有必要的理论和数学计算的深入研究。对于外行人和开发人员来说,它将是完美的,因为它将结合高级材料和介绍性材料,形成一个论点,说明机器学习在未来可以实现什么。它将详细介绍未来的应用领域及其方法。因此,本书将极大地有利于学术界、研究人员和行业项目管理者开发他们的新项目,从而造福人类。

https://link.springer.com/book/10.1007/978-981-16-0598-7#about

成为VIP会员查看完整内容
0
32

近年来,自然语言处理的研究方法取得了一些突破。这些突破来源于两个新的建模框架以及在计算和词汇资源的可用性的改进。在这个研讨会小册子中,我们将回顾这些框架,以一种可以被视为现代自然语言处理开端的方法论开始:词嵌入。我们将进一步讨论将嵌入式集成到端到端可训练方法中,即卷积神经网络和递归神经网络。这本小册子的第二章将讨论基于注意力的模型的影响,因为它们是最近大多数最先进的架构的基础。因此,我们也将在本章中花很大一部分时间讨论迁移学习方法在现代自然语言处理中的应用。最后一章将会是一个关于自然语言生成的说明性用例,用于评估最先进的模型的训练前资源和基准任务/数据集。

https://compstat-lmu.github.io/seminar_nlp_ss20/

在过去的几十年里,人工智能技术的重要性和应用不断得到关注。在当今时代,它已经与构成人类塑造环境的大部分环境密不可分。因此,商业、研究和开发、信息服务、工程、社会服务和医学等无数部门已经不可逆转地受到人工智能能力的影响。人工智能有三个主要领域组成了这项技术:语音识别、计算机视觉和自然语言处理(见Yeung (2020))。在这本书中,我们将仔细研究自然语言处理(NLP)的现代方法。

这本小册子详细介绍了用于自然语言处理的现代方法,如深度学习和迁移学习。此外,本研究亦会研究可用于训练自然语言处理任务的资源,并会展示一个将自然语言处理应用于自然语言生成的用例。

为了分析和理解人类语言,自然语言处理程序需要从单词和句子中提取信息。由于神经网络和其他机器学习算法需要数字输入来进行训练,因此应用了使用密集向量表示单词的词嵌入。这些通常是通过有多个隐藏层的神经网络学习的,深度神经网络。为了解决容易的任务,可以应用简单的结构神经网络。为了克服这些简单结构的局限性,采用了递归和卷积神经网络。因此,递归神经网络用于学习不需要预先定义最佳固定维数的序列的模型,卷积神经网络用于句子分类。第二章简要介绍了NLP中的深度学习。第三章将介绍现代自然语言处理的基础和应用。在第四章和第五章中,将解释和讨论递归神经网络和卷积神经网络及其在自然语言处理中的应用。

迁移学习是每个任务或领域的学习模型的替代选择。在这里,可以使用相关任务或领域的现有标记数据来训练模型,并将其应用到感兴趣的任务或领域。这种方法的优点是不需要在目标域中进行长时间的训练,并且可以节省训练模型的时间,同时仍然可以(在很大程度上)获得更好的性能。迁移学习中使用的一个概念是注意力,它使解码器能够注意到整个输入序列,或自注意,它允许一个Transformer 模型处理所有输入单词,并建模一个句子中所有单词之间的关系,这使得快速建模一个句子中的长期依赖性成为可能。迁移学习的概念将在小册子的第6章简要介绍。第七章将通过ELMo、ULMFiT和GPT模型来描述迁移学习和LSTMs。第八章将详细阐述注意力和自注意力的概念。第九章将迁移学习与自注意力相结合,介绍了BERT模型、GTP2模型和XLNet模型。

为NLP建模,需要资源。为了找到任务的最佳模型,可以使用基准测试。为了在基准实验中比较不同的模型,需要诸如精确匹配、Fscore、困惑度或双语评估替补学习或准确性等指标。小册子的第十章简要介绍了自然语言处理的资源及其使用方法。第11章将解释不同的指标,深入了解基准数据集SQuAD、CoQa、GLUE和SuperGLUE、AQuA-Rat、SNLI和LAMBADA,以及可以找到资源的预训练模型和数据库,如“带代码的论文”和“大坏的NLP数据库”。

在小册子的最后一章中,介绍了生成性NLP处理自然语言生成,从而在人类语言中生成可理解的文本。因此,不同的算法将被描述,聊天机器人和图像字幕将被展示,以说明应用的可能性。

本文对自然语言处理中各种方法的介绍是接下来讨论的基础。小册子的各个章节将介绍现代的NLP方法,并提供了一个更详细的讨论,以及各种示例的潜力和限制。

成为VIP会员查看完整内容
0
147

机器学习是数学统计和计算机科学交叉的跨学科领域。机器学习研究统计模型和算法,以从经验数据中得出预测因子或有意义的模式。机器学习技术主要应用于搜索引擎、语音识别和自然语言处理、图像检测、机器人技术等领域。在我们的课程中,我们将讨论以下问题:学习的数学模型是什么?如何量化一个学习问题的难度/难度/复杂性?如何选择学习模型和学习算法?如何衡量机器学习的成功?

我们的课程大纲:

  1. 监督学习,非监督学习,强化学习。

  2. 机器学习泛化能力

  3. 支持向量机,核机

  4. 神经网络和深度学习

成为VIP会员查看完整内容
0
38

最后,一本关于创造性编程的书,直接写给艺术家和设计师!这本书的目标读者是那些在设计、艺术和教育的交叉领域工作的创造性人才,而不是遵循计算机科学课程。

这本书你将学习如何将计算应用到创造性的过程中,遵循四个步骤,通过这个步骤,你将进入编码和艺术的横截面,重点放在实际的例子和相关的工作结构上。您将跟随计算艺术的一个真实的用例,并看到它如何与四个关键支柱联系起来,并解决创造性过程中的潜在陷阱和挑战。所有的代码示例都是在一个完全集成的处理示例库中提供的,这使得读者很容易上手。

这种在技能习得和创造性过程和开发之间的独特和微妙的平衡方法使《编码艺术》成为了一本实用的参考书,无论是对于创造性编程还是对于教授和学生的创造性过程。

你将学习

  • 回顾从创意编程到不同专业领域的想法和方法
  • 使用像处理语言这样的计算工具
  • 了解从静态元素到动画再到交互所需的技能
  • 使用互动作为输入,使创意概念更接近完善和深度
  • 简化和扩展数据结构的美感、韵律和流畅性的设计
  • 利用网页或手机应用等其他平台上的艺术代码多样性
  • 通过真实世界的用例了解计算艺术的端到端过程
  • 学习创意过程中的最佳实践、常见陷阱和挑战

这本书是给谁的

  • 希望看到计算和数据可以为他们的创造性表达做些什么;希望从不同角度将计算和数据整合到实践中的学习者;以及那些已经知道如何编程,在计算和数据的环境中寻找创造力和灵感的人。

成为VIP会员查看完整内容
0
37

文本无处不在,对社会科学家来说,它是一个极好的资源。然而,由于信息非常丰富,而且语言又是千变万化的,通常很难提取出我们想要的信息。人工智能的整个子领域与文本分析(自然语言处理)有关。开发的许多基本分析方法现在都可以作为Python实现使用。这本书将告诉您何时使用哪个方法、它如何工作的数学背景以及实现它的Python代码。

概述:

今天,文本是我们生活中不可或缺的一部分,也是最丰富的信息来源之一。平均每天,我们阅读约9000字,包括电子邮件、短信、新闻、博客文章、报告、推特,以及街道名称和广告。在你一生的阅读过程中,这会让你有大约2亿字。这听起来令人印象深刻(事实也的确如此),然而,我们可以在不到0.5 g的空间里存储这些信息:我们可以在u盘上随身携带一生都值得阅读的信息。在我写这篇文章的时候,互联网上估计至少有超过1200 TB的文本,或250万人的阅读价值。现在,大部分文本都以社交媒体的形式存在:微博、推特、Facebook状态、Instagram帖子、在线评论、LinkedIn个人资料、YouTube评论等等。然而,文本即使在线下也是丰富的——季度收益报告、专利申请、问卷答复、书面信函、歌词、诗歌、日记、小说、议会会议记录、会议记录,以及成千上万的其他形式,可以(也正在)用于社会科学研究和数据挖掘。

文本是一个极好的信息来源,不仅仅是因为它的规模和可用性。它(相对)是永久性的,而且——最重要的是——它对语言进行编码。这一人类能力(间接地,有时甚至直接地)反映了广泛的社会文化和心理结构:信任、权力、信仰、恐惧。因此,文本分析被用于衡量社会文化结构,如信任(Niculae, Kumar, Boyd-Graber, & danescul - niculescul - mizil, 2015)和权力(Prabhakaran, Rambow, & Diab, 2012)。语言编码了作者的年龄、性别、出身和许多其他人口统计因素(Labov, 1972;Pennebaker, 2011;Trudgill, 2000)。因此,文本可以用来衡量社会随着时间推移对这些目标概念的态度(见Garg, Schiebinger, Jurafsky, & Zou, 2018;Hamilton, Leskovec, & Jurafsky, 2016;Kulkarni, Al-Rfou, Perozzi, & Skiena, 2015)。

然而,这种海量数据可能很快就会让人喘不过气来,处理这些数据可能会让人望而生畏。文本通常被称为非结构化数据,这意味着它不是以电子表格的形式出现,而是整齐地按类别排列。它有不同的长度,如果不首先对其进行格式化,就不能很容易地将其送入您喜欢的统计分析工具。然而,正如我们将看到的,“非结构化”是一个有点用词不当。文本绝不是没有任何结构的——它遵循非常规则的结构,受语法规则的控制。如果你知道这些,理解文本就会变得容易得多。

这本书分成两部分。在前半部分,我们将学习文本和语言的一些基本属性——语言分析的层次、语法和语义成分,以及如何描述它们。我们还将讨论为我们的分析删除哪些内容,保留哪些内容,以及如何计算简单、有用的统计数据。在下半部分,我们将着眼于探索,发现数据中的潜在结构。我们将从简单的统计学习到更复杂的机器学习方法,如主题模型、词嵌入和降维。

成为VIP会员查看完整内容
0
58

本书围绕虚拟化、并发和持久性这三个主要概念展开,介绍了所有现代系统的主要组件(包括调度、虚拟内存管理、磁盘和I/O子系统、文件系统)。全书共50章,分为3个部分,分别讲述虚拟化、并发和持久性的相关内容。作者以对话形式引入所介绍的主题概念,行文诙谐幽默却又鞭辟入里,力求帮助读者理解操作系统中虚拟化、并发和持久性的原理。本书内容全面,并给出了真实可运行的代码(而非伪代码),还提供了相应的练习,很适合高等院校相关专业的教师开展教学和高校学生进行自学。​

本书具有以下特色:

  • 主题突出,紧紧围绕操作系统的三大主题元素——虚拟化、并发和持久性。
  • 以对话的方式引入背景,提出问题,进而阐释原理,启发动手实践。
  • 包含众多“补充”和“提示”,拓展读者知识面,增加趣味性。
  • 使用真实代码而不是伪代码,让读者更加深入透彻地了解操作系统。
  • 提供作业、模拟和项目等众多学习方式,鼓励读者动手实践。
  • 为教师提供教学辅助资源。

成为VIP会员查看完整内容
0
87

当前关于机器学习方面的资料非常丰富:Andrew NG在Coursera上的机器学习教程、Bishop的《机器学习与模式识别》 和周志华老师的《机器学习》都是非常好的基础教材;Goodfellow等人的《深度学习》是学习深度学习技术的首选资料;MIT、斯坦福等名校的公开课也非常有价值;一些主要会议的Tutorial、keynote也都可以在网上搜索到。然而,在对学生们进行培训的过程中, 我深感这些资料专业性很强,但入门不易。一方面可能是由于语言障碍,另一个主要原因在于机器学习覆盖 面广,研究方向众多,各种新方法层出不穷,初学者往往在各种复杂的名词,无穷无尽的 算法面前产生畏难情绪,导致半途而废。

本书的主体内容是基于该研讨班形成的总结性资料。基于作者的研究背景,这本书很难说 是机器学习领域的专业著作,而是一本学习笔记,是从一个机器学习 技术使用者角度对机器学习知识的一次总结,并加入我们在本领域研究中的一些经验和发现。与其说是一本教材,不如说是一本科普读物, 用轻松活泼的语言和深入浅出的描述为初学者打开机器学习这扇充满魔力的大门。打开大门以后,我们会发现这是个多么让人激动人心的 领域,每天都有新的知识、新的思路、新的方法产生,每天都有令人振奋的成果。我们希望这本书 可以让更多学生、工程师和相关领域的研究者对机器学习产生兴趣,在这片异彩纷呈的海域上找到 属于自己的那颗贝壳。

强烈推荐给所有初学机器学习的人,里面有: 书籍的pdf 课堂视频 课堂slides 各种延伸阅读 MIT等世界名校的slides 学生的学习笔记等

成为VIP会员查看完整内容
0
111

近年来,神经网络已成为分析复杂和抽象数据模型的有力工具。然而,它们的引入本质上增加了我们的不确定性,即分析的哪些特征是与模型相关的,哪些是由神经网络造成的。这意味着,神经网络的预测存在偏差,无法与数据的创建和观察的真实本质区分开来。为了尝试解决这些问题,我们讨论了贝叶斯神经网络:可以描述由网络引起的不确定性的神经网络。特别地,我们提出了贝叶斯统计框架,它允许我们根据观察某些数据的根深蒂固的随机性和我们缺乏关于如何创建和观察数据的知识的不确定性来对不确定性进行分类。在介绍这些技术时,我们展示了如何从原理上获得神经网络预测中的误差,并提供了描述这些误差的两种常用方法。我们还将描述这两种方法在实际应用时如何存在重大缺陷,并强调在使用神经网络时需要其他统计技术来真正进行推理。

成为VIP会员查看完整内容
0
109

本备忘单是机器学习手册的浓缩版,包含了许多关于机器学习的经典方程和图表,旨在帮助您快速回忆起机器学习中的知识和思想。

这个备忘单有两个显著的优点:

  1. 清晰的符号。数学公式使用了许多令人困惑的符号。例如,X可以是一个集合,一个随机变量,或者一个矩阵。这是非常混乱的,使读者很难理解数学公式的意义。本备忘单试图规范符号的使用,所有符号都有明确的预先定义,请参见小节。

  2. 更少的思维跳跃。在许多机器学习的书籍中,作者省略了数学证明过程中的一些中间步骤,这可能会节省一些空间,但是会给读者理解这个公式带来困难,读者会在中间迷失。

成为VIP会员查看完整内容
0
194
小贴士
相关VIP内容
专知会员服务
68+阅读 · 6月3日
专知会员服务
32+阅读 · 5月29日
专知会员服务
147+阅读 · 2月22日
专知会员服务
38+阅读 · 2月7日
专知会员服务
37+阅读 · 1月10日
专知会员服务
58+阅读 · 2020年12月23日
专知会员服务
87+阅读 · 2020年10月28日
专知会员服务
111+阅读 · 2020年7月27日
专知会员服务
109+阅读 · 2020年6月3日
机器学习速查手册,135页pdf
专知会员服务
194+阅读 · 2020年3月15日
相关论文
Chongjian Yuan,Wei xu,Xiyuan Liu,Xiaoping Hong,Fu Zhang
0+阅读 · 9月21日
Farid Talebloo,Emad A. Mohammed,Behrouz H. Far
0+阅读 · 9月18日
Fei Tan,Yifan Hu,Kevin Yen,Changwei Hu
0+阅读 · 9月18日
Imitation by Predicting Observations
Andrew Jaegle,Yury Sulsky,Arun Ahuja,Jake Bruce,Rob Fergus,Greg Wayne
3+阅读 · 7月8日
Kemal Oksuz,Baris Can Cam,Sinan Kalkan,Emre Akbas
21+阅读 · 2020年3月11日
Learning to Learn and Predict: A Meta-Learning Approach for Multi-Label Classification
Jiawei Wu,Wenhan Xiong,William Yang Wang
16+阅读 · 2019年9月9日
Associatively Segmenting Instances and Semantics in Point Clouds
Xinlong Wang,Shu Liu,Xiaoyong Shen,Chunhua Shen,Jiaya Jia
4+阅读 · 2019年2月28日
KiJung Yoon,Renjie Liao,Yuwen Xiong,Lisa Zhang,Ethan Fetaya,Raquel Urtasun,Richard Zemel,Xaq Pitkow
3+阅读 · 2018年5月25日
Top