专栏名称: 计算机视觉研究院
主要由来自于大学的研究生组成的团队，本平台从事机器学习与深度学习领域，主要在人脸检测与识别，多目标检测研究方向。本团队想通过计算机视觉战队平台打造属于自己的品牌，让更多相关领域的人了解本团队，结识更多相关领域的朋友，一起来学习，共同进步！
目录
相关文章推荐
51好读  ›  专栏  ›  计算机视觉研究院

详解凸优化、图神经网络、强化学习、贝叶斯方法等四大主题

计算机视觉研究院  · 公众号  ·  · 2020-10-30 11:59

正文

加入AI行业拿到高薪仅仅是职业生涯的开始。现阶段AI人才结构在不断升级，对AI人才的要求也不断升高，如果对自己没有很高的要求，其实很容易被快速发展的趋势所淘汰。


为了迎合时代的需求，我们去年推出了 《机器学习高端训练营》 班，由学院创始团队亲自授课，受到了广大学员的好评。 在本期训练营（第四期）中我们对内容做了大幅度的更新，一方面新增了对前沿主题的讲解如 图神经网络 ，另外一方面对核心部分（如凸优化、强化学习）加大了对 理论层面上的深度 。 目前在全网上应该找不到类似体系化的课程。 课程仍然采用 全程直播 授课模式。


那什么样的人适合来参加高阶班呢？

  • 从事AI行业多年，但技术上总感觉不够深入，感觉在技术上 遇到了瓶颈 ；

  • 停留在使用模型/工具上，很难基于业务场景来 提出新的模型 ；

  • 对于机器学习背后的优化理论、前沿的技术不够深入；

  • 计划从事尖端的科研、研究工作、申请AI领域研究生、博士生；

  • 打算进入最顶尖的AI公司比如Google，Facebook，Amazon， 阿里，头条等；

  • 读ICML，IJCAI等会议文章比较吃力，似懂非懂感觉， 无法把每个细节理解透；


01 课程大纲

第一部分：凸优化与机器学习

第一周：凸优化介绍

  • 从优化角度理解机器学习

  • 优化技术的重要性

  • 常见的凸优化问题

  • 线性规划以及Simplex Method

  • Two-Stage LP

  • 案例：运输问题讲解

第二周：凸函数讲解

  • 凸集的判断

  • First-Order Convexity

  • Second-order Convexity

  • Operations Preserve Convexity

  • 二次规划问题（QP)

  • 案例：最小二乘问题

  • 项目作业：股票投资组合优化


第三周：凸优化问题

  • 常见的凸优化问题类别

  • 半定规划问题

  • 几何规划问题

  • 非凸函数的优化

  • 松弛化（Relaxation）

  • 整数规划（Integer Programming)

  • 案例：打车中的匹配问题


第四周：对偶（Duality）

  • 拉格朗日对偶函数

  • 对偶的几何意义

  • Weak and Strong Duality

  • KKT条件

  • LP, QP, SDP的对偶问题

  • 案例：经典模型的对偶推导及实现

  • 对偶的其他应用



第五周：优化技术

  • 一阶与二阶优化技术

  • Gradient Descent

  • Subgradient Method

  • Proximal Gradient Descent

  • Projected Gradient Descent

  • SGD与收敛

  • Newton's Method

  • Quasi-Newton's Method



第二部分 图神经网络

第六周： 数学基础

  • 向量空间和图论基础

  • Inner Product, Hilbert Space

  • Eigenfunctions, Eigenvalue

  • 傅里叶变化

  • 卷积操作

  • Time Domain, Spectral Domain

  • Laplacian, Graph Laplacian


第七周：谱域的图神经网络

  • 卷积神经网络回归

  • 卷积操作的数学意义

  • Graph Convolution

  • Graph Filter

  • ChebNet

  • CayleyNet

  • GCN

  • Graph Pooling

  • 案例：基于GCN的推荐


第八周：空间域的图神经网络

  • Spatial Convolution

  • Mixture Model Network (MoNet)

  • 注意力机制

  • Graph Attention Network(GAT)

  • Edge Convolution

  • 空间域与谱域的比较

  • 项目作业：基于图神经网络的链路预测


第九周：图神经网络改进与应用

  • 拓展1:   Relative Position与图神经网络

  • 拓展2：融入Edge特征：Edge GCN

  • 拓展3：图神经网络与知识图谱: Knowledge GCN

  • 拓展4：姿势识别：ST-GCN

  • 案例：基于图的文本分类

  • 案例：基于图的阅读理解



第三部分 强化学习

第十周：强化学习基础

  • Markov Decision Process

  • Bellman Equation

  • 三种方法：Value，Policy，Model-Based

  • Value-Based Approach: Q-learning

  • Policy-Based Approach: SARSA



第十一周：Multi-A rmed Bandits

  • Multi-Armed bandits

  • Epsilon-Greedy

  • Upper Confidence Bound (UCB)

  • Contextual UCB

  • LinUCB & Kernel UCB

  • 案例：Bandits在推荐系统的应用案例


第十二周：路径规划

  • Monte-Carlo Tree Search

  • N-step learning

  • Approximation

  • Reward Shaping

  • 结合深度学习：Deep RL

  • 项目作业：强化学习在游戏中的应用案例


第十三周: 自然语言处理中的RL

  • Seq2seq模型的问题

  • 结合Evaluation Metric的自定义loss

  • 结合aspect的自定义loss

  • 不同RL模型与seq2seq模型的结合

  • 案例：基于RL的文本生成



第四部分 贝叶斯方法

第十四周：贝叶斯方法论简介

  • 贝叶斯定理

  • 从MLE, MAP到贝叶斯估计

  • 集成模型与贝叶斯方法比较

  • 计算上的Intractiblity

  • MCMC与变分法简介

  • 贝叶斯线性回归

  • 贝叶斯神经网络

  • 案例：基于Bayesian-LSTM的命名实体识别

第十五周：主题模型

  • 生成模型与判别模型

  • 隐变量模型

  • 贝叶斯中Prior的重要性

  • 狄利克雷分布、多项式分布

  • LDA的生成过程

  • LDA中的参数与隐变量

  • Supervised LDA

  • Dynamic LDA

  • LDA的其他变种

  • 项目作业：LDA的基础上修改并搭建无监督情感分析模型

第十六周：MCMC方法

  • Detailed Balance

  • 对于LDA的吉布斯采样

  • 对于LDA的Collapsed吉布斯采样

  • Metropolis Hasting

  • Importance Sampling

  • Rejection Sampling

  • 大规模分布式MCMC

  • 大数据与SGLD

  • 案例：基于分布式的LDA训练

第十七周：变分法（Variational Method)

  • 变分法核心思想

  • KL散度与ELBo的推导

  • Mean-Field变分法

  • EM算法

  • LDA的变分法推导

  • 大数据与SVI

  • 变分法与MCMC的比较

  • Variational Autoencoder

  • Probabilistic Programming

  • 案例：使用概率编程工具来训练贝叶斯模型



●●●
课程其他的细节可以联系课程顾问来获取
添加课程顾问小姐姐微信
报名、课程咨询
👇👇👇


02 部分案例和项目


运输优化问题 ： 在运筹学以及优化领域最为经典的问题之一，类似的思想广泛应用在仓库优化，匹配等问题上。

涉及到的知识点：

  • 线性回归以及优化实现

  • Two-Stage随机线性规划一下优化实现





打车中的路径规划问题 ：我们几乎每天都在使用打车软件或者外卖软件。对于这些应用来讲，核心算法应用就是乘客和车辆的匹配。

涉及到的知识点 ：

  • Mixed Integer Linear Programming

  • 提供approximation bounds





经典机器学习模型的对偶推导及实现： 通过此练习，更深入理解机器学习模型以及对偶的作用。

涉及到的知识点：

  • SVM，LP等模型

  • 对偶技术

  • KKT条件





基于图神经网络的文本分类 ：当使用语法分析工具处理文本之后，一段文本便可以成为一个图，接下来就可以使用图卷积神经网络来做后续的分类工作

涉及到的知识点：

  • 语法分析

  • 图神经网络





基于图神经网络的阅读理解 ： 一般的阅读需要让机器阅读多个文章并对提出的问题给出答案。在阅读理解中抽取关键的实体和关系变得很重要，这些实体和关系可以用来构造一个图。

涉及到的知识点：

  • 命名识别， 关系抽取

  • 图神经网络

  • Heterogeneous Graph






Bandits在推荐系统的应用案例 ：Bandits应用在顺序决策问题的应用中有易于实现、计算效率高、解决冷启动问题、数据标注相对要求不高（一般只需部分标注作为reward，如用户点击）等优点。本案例讲解bandits如何应用在新闻推荐的系统中做基于内容的推荐。
‍






请到「今天看啥」查看全文


推荐文章
解放军报  ·  视频｜大国倚天长剑！新版火箭军宣传片震撼发布
8 年前
育博远升学  ·  一家用心做升学的机构—育博远教育
7 年前
市值风云  ·  【重磅】证监会新政太给力！同情以“经营股票”为主业的大股东们三秒钟
7 年前
AI报道  ·  麦肯锡：以客户为中心，打造房企核心竞争力
7 年前
美食家常菜谱做法  ·  8种鸡蛋卷饼的做法，早餐有着落了！看着都想舔屏了！
7 年前
Sov5搜索   ·   小百科   ·   今天看啥   ·   移动版
51好读 - 好文章就要读起来!