当前位置：rurucode > 大数据 > 贪心学院-机器学习高级训练营|资料齐全|完结无秘
精品课程精品课程 大数据

贪心学院-机器学习高级训练营|资料齐全|完结无秘

机器学习技术是整个AI的基础，对机器学习的理解以及深度决定了在AI领域能够走多远。机器学习看似简单，但它是一门博大精深的学科。在这门课程中，我们将传授给大家机器学习领域最为重要的几个技术，包括最近特别流行的图神经网络，在原有第一版的基础上做了大幅度的更新，包括内容的增加、开放式项目的安排。 在课程中，我们由浅入深的讲清楚每一个核心的细节以及前沿的技术、同时你将有机会参与到课题中，并通过课题来增加对领域的认知，让自己的能力更上一层。 课程特别适合想持续深造的人士, 想跑在技术前沿的人士。

高级魔鬼训练营的优势

1、每个章节都有案例或者项目实操，这点对我来说还是比较友好的。

2、在合适的章节介绍合适的案例，比如在凸优化介绍第一周的时候介绍的是运输问题讲解，而在第三周，凸优化问题时候介绍的打车中的匹配问题。这样对比和比较知识点也比较轻松。

3、课程有迭代，会在适合的时候加入相应的模块。

4、课程有对应的项目作业和实操案例。

5、课程服务开设小班教学，并且对学员有相应的回访。

6、通俗易懂地讲解每一个技术细节，用最少的时间成本来掌握那些很难自学的原理和模型。

7、为进阶人士设计，帮助打破技术天花板。

目录

Week 1: 凸优化介绍

  1. 从优化角度理解机器学习
  2. 凸优化的重要性
  3. 常见的凸优化问题
  4. 线性规划以及Simplex Method
  5. Stochastic LP
  6. 案例：运输问题讲解

Week 2: 判定凸函数

  1. 凸集的判断
  2. First-order Convexity
  3. Second-order convexity
  4. Operations preserve convexity
  5. 二次规划问题（QP)
  6. 案例：最小二乘问题
  7. 项目：股票投资组合优化

Week 3: 凸优化问题

  1. 常见的凸优化问题类别
  2. 半定规划问题（semi-definite programming）
  3. 几何规划问题（geometric programming）
  4. 非凸函数的优化
  5. 松弛化（relaxazation）
  6. 整数规划（integer programming）
  7. 案例：打车中的匹配问题

Week 4: 对偶（Duality）

  1. 拉格朗日对偶函数
  2. 对偶的几何意义
  3. Weak and Strong Duality
  4. KKT条件
  5. LP, QP, SDP的对偶问题
  6. 对偶的其他应用
  7. 案例：经典机器学习模型的对偶推导及实现

Week 5: 优化技术

  1. 一阶与二阶优化技术
  2. Gradient Descent
  3. Subgradient Method
  4. Proximal Gradient Descent
  5. Projected Gradient Descent
  6. Stochastic Gradient Descent与收敛
  7. Newton’s Method
  8. Quasi-Newton Method

Week 6: 数学基础

  1. 向量空间和图论基础
  2. Inner Product, Hilbert Space
  3. Eigenfunctions, Eigenvalue
  4. 傅里叶变化
  5. 卷积操作
  6. Time Domain and Spectral Domain
  7. Laplacian, Graph Laplacian

Week 7: 谱域（Spectral Domain）的图神经网络

  1. 卷积神经网络回归
  2. 卷积操作的数学意义
  3. Graph Convolution
  4. Graph Filter
  5. ChebNet
  6. CayleyNet
  7. GCN
  8. Graph Pooling
  9. 案例：基于GCN的推荐间域与谱域的比较

Week 8: 空间域（Spatial Domain）的图神经网络

  1. Spatial Convolution
  2. Mixture Model Network (MoNet)
  3. 注意力机制（Attention Mechanism)
  4. Graph Attention Network(GAT)
  5. Edge Convolution
  6. 空间域与谱域的比较
  7. 项目：基于图神经网络的链路预测

Week 9: 图神经网络改进与应用

  1. 拓展1: Relative Position与图神经网络
  2. 拓展2：融入Edge特征：Edge GCN
  3. 拓展3：图神经网络与知识图谱: Knowledge GCN
  4. 拓展4：姿势识别：ST-GCN
  5. 案例：基于图的文本分类
  6. 案例：基于图的阅读理解

Week 10: 强化学习基础

  1. Markov Decision Process
  2. Bellman equation
  3. 三种方法：Value-based, Policy-based, Model-based
  4. Value-based Approach: Q-learning
  5. Policy-based Approach: SARSA

Week 11: Bandicts

  1. Multi-armed bandicts
  2. Epsilon-Greedy
  3. Upper Confidence Bound (UCB)
  4. Contextual UCB: LinUCB & Kernel UCB
  5. 案例：Bandits在推荐系统的应用案例

Week 12: 路径规划

  1. Monte-Carlo Tree Search
  2. N-step learning
  3. Approximation and reward shaping
  4. 项目：强化学习在游戏中的应用案例
  5. 结合深度学习：Deep RL

Week 13: 自然语言处理中的RL

  1. Seq2seq模型的问题
  2. 结合Evaluation Metric的自定义loss
  3. 结合aspect的自定义loss
  4. 不同RL模型与seq2seq模型的结合
  5. 案例：基于RL的对话系统

Week 14: 贝叶斯方法论简介

  1. 贝叶斯定理
  2. 从MLE, MAP到贝叶斯估计
  3. 集成模型与贝叶斯方法比较
  4. 贝叶斯方法在计算上的Intractiblity
  5. MCMC与变分法简介
  6. 贝叶斯线性回归
  7. 贝叶斯神经网络
  8. 案例：基于Bayesian-LSTM的命名实体识别

Week 15: 主题模型

  1. 生成模型与判别模型
  2. 隐变量模型
  3. 贝叶斯中的prior重要性
  4. 狄利克雷分布、多项式分布
  5. LDA的生成过程
  6. LDA中的参数与隐变量
  7. Supervised LDA
  8. Dynamic LDA
  9. LDA的其他变种
  10. 项目：LDA的基础上修改并搭建无监督情感分析模型

Week 16: MCMC方法

  1. Detail Balance
  2. 对于LDA的吉布斯采样
  3. 对于LDA的Collapsed吉布斯采样
  4. Metropolis Hasting
  5. Importance Sampling
  6. Rejection Sampling
  7. 大规模分布式MCMC
  8. 大数据与SGLD
  9. 案例：基于分布式的LDA训练

Week 17: 变分法（variational method)

  1. 变分法核心思想
  2. KL散度与ELBo的推导
  3. Mean-Field变分法
  4. EM算法
  5. LDA的变分法推导
  6. 大数据与SVI
  7. 变分法与MCMC的比较
  8. Variational Autoencoder
  9. robabilistic Programming
  10. 案例：使用概率编程工具来训练贝叶斯模型、
分享到：

相关推荐

发表评论