2014-06-04 11:24:51 lanhaics 阅读数 1587
  • 机器学习&深度学习基础视频教程

    本课程讲解了机器学习基本概念,对训练集,测试集,特征值,监督学习,实列监督学习,非监督学习,分类与回归,在语音处理,图像处理和计算机视觉,声音识别和用自然语言处理方面的应用 人脸识别技术,银行评估和价格预测。 帮助学员理解机器学习和深度学习

    253 人正在学习 去看看 齐向彬

推荐深度学习的教程。Andrew Ng老师的,已有部分章节翻译为中文。


http://deeplearning.stanford.edu/wiki/index.php/

说明:本教程将阐述无监督特征学习和深度学习的主要观点。通过学习,你也将实现多个功能学习/深度学习算法,能看到它们为你工作,并学习如何应用/适应这些想法到新问题上。

本教程假定机器学习的基本知识(特别是熟悉的监督学习,逻辑回归,梯度下降的想法),如果你不熟悉这些想法,我们建议你去这里

机器学习课程,并先完成第II,III,IV章(到逻辑回归)。


稀疏自编码器


矢量化编程实现


预处理:主成分分析与白化


Softmax回归


自我学习与无监督特征学习


建立分类用深度网络


自编码线性解码器


处理大型图像



注意: 这条线以上的章节是稳定的。下面的章节仍在建设中,如有变更,恕不另行通知。请随意浏览周围并欢迎提交反馈/建议。


混杂的

混杂的主题


进阶主题:

稀疏编码

独立成分分析样式建模

其它

2019-09-14 09:15:55 mrjkzhangma 阅读数 434
  • 机器学习&深度学习基础视频教程

    本课程讲解了机器学习基本概念,对训练集,测试集,特征值,监督学习,实列监督学习,非监督学习,分类与回归,在语音处理,图像处理和计算机视觉,声音识别和用自然语言处理方面的应用 人脸识别技术,银行评估和价格预测。 帮助学员理解机器学习和深度学习

    253 人正在学习 去看看 齐向彬

今天给大家推荐一门加州大学伯克利分校的新开课程CS294深度无监督学习。本课程将涵盖深度学习中不需要标注数据的两个领域:深度生成模型和自监督学习。生成模型的最新进展使得对自然图像、音频波形和文本语料库等高维原始数据进行真实建模成为可能。自监督学习的进步已经开始缩小监督表示学习和非监督表示学习之间的差距,本课程将涵盖这些主题的理论基础以及它们的新应用。
在这里插入图片描述
教师介绍:
Pieter Abbeel,加州大学伯克利分校教授、机器人学习实验室主任,伯克利人工智能研究(BAIR)实验室联合主任。

Pieter Abbeel是机器人和强化学习领域的大牛。Pieter Abbeel 2008年从斯坦福大学获得博士学位,师从百度前首席科学家 Andrew Ng(吴恩达),毕业后在UC Berkeley任教。

官网
课程PPT:
https://drive.google.com/file/d/10j_XbM-NUq0RiQz1wZckA0d23ppOS2EH/view
课程视频连接:
https://youtu.be/zNmvH6OXDpk

主要内容

下面是这门课的主要目录:
Week 1
第1a讲: 课程安排
第1b讲: 课程动机
第1c讲: 基于似然的模型 Part I: 自回归模型

Week 2
第2a讲: 基于似然的模型 Part I: 自回归模型 (ctd)
第2b讲: 无损压缩(Lossless Compression)
第2c讲: 基于似然的模型 Part II: 流模型

Week 3
第3a讲:基于似然的模型 Part II:流模型(ctd)
第3b讲:隐变量模型

Week 4
第4a讲:隐变量模型(ctd)(与第3周ppt相同)
第4b讲:比特编码/位反编码

Week 5
第5讲:隐式模型/生成对抗网络

Week 6
第六讲:非生成性表征学习

Week 7
第7a讲:非生成表征学习(ctd)
第7b讲:半监督学习

Week 8
第8讲:表征学习+其他问题

Week 9
第9a讲:无监督分布对齐
第9b讲:客座讲座:Ilya Sutskever

Week 10
第10a讲:无监督分配对齐(ctd)
第10b讲:客座讲座:Durk Kingma

Week 11
第11讲:语言模型(Alec Radford)

Week 12
第12a讲:无监督的表征学习
第12b讲:客座讲座Alyosha Efros

Week 13
第13a讲:待定(TBD)
第13b讲:客座讲座Aaron van den Oord

Week 14
没有课

Week 15
期末项目报告

资源分享

同时为了方便大家,我们把最新资料打包好了,可以进群:1012542425 直接免费下载哦~

2019-04-10 11:06:45 qq_24833271 阅读数 5121
  • 机器学习&深度学习基础视频教程

    本课程讲解了机器学习基本概念,对训练集,测试集,特征值,监督学习,实列监督学习,非监督学习,分类与回归,在语音处理,图像处理和计算机视觉,声音识别和用自然语言处理方面的应用 人脸识别技术,银行评估和价格预测。 帮助学员理解机器学习和深度学习

    253 人正在学习 去看看 齐向彬
  • 监督学习
    监督学习是目前最常见的机器学习类型。给定一组样本(通常由人工标注),他可以学会将输入数据映射到已知目标。一般来说,近年来过度关注的深度学习应用几乎都属于监督学习,比如光学字符识别、语音识别、图像分类和语言翻译。
    监督学习主要包括分类和回归,但还有更多的奇特变体,主要包括如下几种:
    1、序列生成(sequence generation)。给定一张图像,预测描述图像的文字。序列生成有时可以被重新表示为一系列分类问题,比如反复预测序列中的单词或标记。
    2、语法树预测(syntax tree prediction)。给定一个句子,预测其分解生成的语法树。
    3、目标检测(object detection)。给定一张图,在图中特定目标的周围画一个边界框。这个问题也可以表示为分类问题(给定多个候选边界框,对每个框内的目标进行分类)或分类与回归联合问题(用向量回归来预测边界框的坐标)。
    4、图像分割(image segmentation)。给定一张图像,在特定物体上画一个像素级的掩模(mask)。

  • 无监督学习
    无监督学习是指在没有目标的情况下寻找输入数据的有趣变化,其目的在于数据可视化、数据压缩、数据去噪或更好地理解数据中的相关性。无监督学习是数据分析的必备技能,在解决监督学习之前,它通常是一个必要步骤。降维(dimensionality reduction)和聚类(clustering)都是众所周知的无监督学习方法。

  • 自监督学习
    自监督学习是监督学习的一个特例,它与众不同,值得单独分为一类。自监督学习是没有人工标注标签的监督学习,可以将它看作没有人类参与的监督学习。标签仍然存在(因为总要有什么东西来监督学习过程),但它们是从输入数据中生成的,通常使用启发式算法生成的。

  • 强化学习
    强化学习一直以来被人们所忽视,但随着google的DeepMind公司将其成功应用于学习玩Atari游戏(以及后来学习下围棋并达到最高水平),机器学习的这一分支开始受到大量关注。在强化学习中,智能体(agent)接收有关环境的信息,并学会选择使某种奖励最大化的行动。例如,神经网络会“观察”视频游戏的屏幕,并输出游戏操作,目的是尽可能得高分,这种神经网络可以通过强化学习来训练。
    目前,强化学习主要集中在研究领域,除游戏外还没有取得实践上的重大成功。但是,我们期待强化学习未来能够实现越来越多的实际应该:自动驾驶汽车、机器人、资源管理、教育等。

2020-03-21 23:11:33 lqfarmer 阅读数 33
  • 机器学习&深度学习基础视频教程

    本课程讲解了机器学习基本概念,对训练集,测试集,特征值,监督学习,实列监督学习,非监督学习,分类与回归,在语音处理,图像处理和计算机视觉,声音识别和用自然语言处理方面的应用 人脸识别技术,银行评估和价格预测。 帮助学员理解机器学习和深度学习

    253 人正在学习 去看看 齐向彬

课程介绍

    本课程将涵盖深度学习领域两个无监督学习模型:深度生成模型和半监督学习模型。生成模型的最新进展使得其可以对高维原始数据进行高效的建模,例如自然图像,音频波形和文本语料库。从微调到未知的新任务方面,半监督学习模式已开始缩小有监督表示学习与无监督表示学习之间的差距。本课程将涵盖这些主题及其新启用的应用场景的理论基础。

 

    文末附本课程ppt及视频获取地址(持续更新)。

     

课程老师及助教

     

课程大纲

 

课程视频及ppt获取地址https://mp.weixin.qq.com/s?__biz=MzIxNDgzNDg3NQ==&mid=2247487161&idx=1&sn=8e000abc41973ea7ad6bf2246539f845&chksm=97a0c56da0d74c7b1bf69b68e55e4b7a9e12b49741bd4a32c38cda40c721bbb576bfafb16ba2&token=872865137&lang=zh_CN#rd

 

往期精品内容推荐

胡伟-知识图谱融合方法概述分享

历史最全图像/视频去模糊化精选论文整理分享

Pytorch官方力荐-11月新书《Pytorch深度学习实战指南》pdf及代码分享

文本生成公开数据集/开源工具/经典论文详细列表分享

深度学习-机器学习从入门到深入全套资源分享

2019年BAT、TMD等互联网最新、最全面试题目及答案汇总

深度神经网络压缩和加速相关最全资源分享

最全中文自然语言处理数据集、平台和工具整理

元学习(Meta Learning)最全论文、视频、书籍资源整理

图神经网络(GNN)必读论文及最新进展跟踪

没有更多推荐了,返回首页