机器学习(斯坦福大学)
机器学习是一门研究在非特定编程条件下让计算机采取行动的学科。最近二十年,机器学习为我们带来了自动驾驶汽车、实用的语音识别、高效的网络搜索,让我们对人类基因的解读能力大大提高。当今机器学习技术已经非常普遍,您很可能在毫无察觉情况下每天使用几十次。许多研究者还认为机器学习是人工智能(AI)取得进展的最有效途径。
本课程将广泛介绍机器学习、数据挖掘和统计模式识别。相关主题包括:(i) 监督式学习(参数和非参数算法、支持向量机、核函数和神经网络)。(ii) 无监督学习(集群、降维、推荐系统和深度学习)。(iii) 机器学习实例(偏见/方差理论;机器学习和AI领域的创新)。课程将引用很多案例和应用,您还需要学习如何在不同领域应用学习算法,例如智能机器人(感知和控制)、文本理解(网络搜索和垃圾邮件过滤)、计算机视觉、医学信息学、音频、数据库挖掘等领域。
链接
CS231n(斯坦福大学)
计算机视觉已经在我们的社会中无处不在,在搜索,图像理解,应用程序,测绘,医药,无人驾驶飞机和自动驾驶汽车中的应用。许多这些应用程序的核心是视觉识别任务,如图像分类,定位和检测。神经网络(又名“深度学习”)方法的最新发展极大地提高了这些最先进的视觉识别系统的性能。本课程深入探讨深度学习架构的细节,重点是学习这些任务的端到端模型,尤其是图像分类。在为期10周的课程中,学生将学习实施,训练和调试自己的神经网络,并获得对计算机视觉尖端研究的详细了解。最后的任务将涉及培训一个数百万参数卷积神经网络,并将其应用于最大的图像分类数据集(ImageNet)。我们将着重教授如何设置图像识别问题,学习算法(例如反向传播),用于训练和微调网络的实际工程技巧,并引导学生通过实践任务和最终课程项目。本课程的大部分背景和材料都将从ImageNet挑战中吸取。
链接
CS20SI(斯坦福大学)
Tensorflow是Google Brain研究人员开发的一个功能强大的机器学习开源软件库。它具有许多预建功能,可以简化构建不同神经网络的任务。 Tensorflow允许在不同计算机之间分配计算,以及在一台机器中分配多个CPU和GPU。 TensorFlow提供了一个Python API,以及一个较少记录的C ++ API。对于本课程,我们将使用Python。
本课程将涵盖深入学习研究的Tensorflow图书馆的基本原理和当代用法。帮助学生理解Tensorflow的图形计算模型,探索其提供的功能,并学习如何构建和构建最适合深度学习项目的模型。通过本课程,学生将使用Tensorflow建立不同复杂度的模型,从简单的线性/逻辑回归到卷积神经网络和带有LSTM的递归神经网络,以解决词嵌入,翻译,光学字符识别等任务。学生还将学习最佳实践来构建模型并管理研究实验。
链接
CS224d(斯坦福大学)
自然语言处理(NLP)是信息时代最重要的技术之一。理解复杂的语言也是人工智能的重要组成部分。 NLP的应用无处不在,因为人们用语言沟通大多数事物:网络搜索,广告,电子邮件,客户服务,语言翻译,放射学报告等等。NLP应用背后有大量的基础任务和机器学习模型。最近,深度学习方法在许多不同的NLP任务中获得了非常高的性能。这些模型通常可以通过单一的端到端模型进行培训,而且不需要传统的,特定于任务的特征工程。在这个冬季的季度课程中,学生将学习实施,培训,调试,可视化和创造自己的神经网络模型。本课程深入介绍了深入学习NLP的前沿研究。在模型方面,我们将介绍词向量表示,基于窗口的神经网络,递归神经网络,长期 - 短期记忆模型,递归神经网络,卷积神经网络以及一些涉及存储器组件的最新模型。通过讲座和编程作业,学生将学习使神经网络适应实际问题的必要工程技巧。
链接
深度学习(台湾大学)
李宏毅深度学习课程