Py学习  »  机器学习算法

美国AI顶级院校博士机器学习课程是什么样的?

机器学习算法与Python学习 • 4 年前 • 419 次点击  


训练营采用美国顶级院校的教学体系,帮助你在4-6个月内找到一份人工智能、机器学习、深度学习、数据科学家、算法工程师等AI相关岗位,或协助你申请美国、欧洲相关院校AI方向的学位。


由于AI领域的飞速发展,课程也会与时俱进。11位美国AI博士组成的教研团队会确保在2周之内新出的重要技术,第一时间可以让你学会并熟练应用。


让我们来了解一下这个课程深度对标卡耐基梅隆大学(CMU)AI硕士、博士阶段内容的《机器学习高阶训练营》吧:


01

课程大纲

美国AI硕士、博士阶段课程

第一阶段 机器学习基础与凸优化


【核心知识点】

. KNN算法,Weighted KNN算法

. Approximated KNN算法

. KD树,近似KD树

. Locality Sensitivity Hashing

. 线性回归模型

. Bias-Variance Trade-off

. 正则的使用:L1, L2, L-inifity Norm

. LASSO, Coordinate Descent,ElasticNet

. 逻辑回归与最大似然

. 随机梯度下降法与小批量梯度下降法

. 多元逻辑回归模型

. 凸集,凸函数

. 凸函数与判定凸函数

. Linear/Quadratic/Integer Programming

. 对偶理论,Duality Gap,KKT条件

. Projected Gradient Descent

. 迭代式算法的收敛分析


【部分案例讲解】

. 基于QP的股票投资组合策略设计

. 基于LP的短文本相似度计算

. 基于KNN的图像识别


第二阶段 SVM与集成模型


【核心知识点】

. Max-Margin的方法核心思想

. 线性SVM的一步步构建

. Slack Variable以及条件的松弛

. SVM的Dual Formulation

. Kernelized SVM

. 不同核函数的详解以及使用. 核函数设计以及Mercer s Theorem

. Kernelized Linear Regression

. Kernelized PCA, Kernelized K-means

. 集成模型的优势

. Bagging, Boosting, Stacking

. 决策树以及信息论回顾

. 随机森林,完全随机森林

. 基于残差的提升树训练思想

. GBDT与XGBoost

. 集成不同类型的模型

. VC理论


【部分案例讲解】

. 基于XGBoost的金融风控模型

. 基于PCA和Kernel SVM的人脸识别. 基于Kernal PCA和Linear SVM的人脸识别


第三阶段 无监督学习与序列模型


【核心知识点】

. K-means算法, K-means++

. EM算法以及收敛性

. 高斯混合模型以及K-means

. 层次聚类算法

. Spectral Clustering

. DCSCAN

. 隐变量与隐变量模型

. HMM的应用以及参数

. 条件独立、D-separation

. 基于Viterbi的Decoding

. Forward/Backward算法

. 基于EM算法的参数估计

. 有向图与无向图模型区别

. Log-Linear Model

. Feature Function的设计

. Linear CRF以及参数估计


【部分案例讲解】

. 基于HMM和GMM的语音识别

. 基于聚类分析的用户群体分析

. 基于CRF的命名实体识别


第四阶段 深度学习


【核心知识点】

. 神经网络与激活函数

. BP算法

. 卷积层、Pooling层、全连接层

. 卷积神经网络

. 常用的CNN结构

. Dropout与Batch Normalization

. SGD、Adam、Adagrad算法

. RNN与梯度消失

. LSTM与GRU

. Seq2Seq模型与注意力机制

. Word2Vec, Elmo, Bert, XLNet

. 深度学习中的调参技术

. 深度学习与图嵌入(Graph Embedding)

. Translating Embedding (TransE)

. Node2Vec

. Graph Convolutional Network

. Structured Deep Network Embedding

. Dynamic Graph Embedding


【部分案例讲解】

. 基于Seq2Seq和注意力机制的机器翻译

. 基于TransE和GCN的知识图谱推理

. 基于CNN的人脸关键点检测


第五阶段 推荐系统与在线学习


【核心知识点】

. 基于内容的推荐算法

. 基于协同过滤的推荐算法

. 矩阵分解

. 基于内容的Gradient Tree

. 基于深度学习的推荐算法

. 冷启动问题的处理

. Exploration vs Exploitation

. Multi-armed Bandit

. UCB1 algorithm,EXP3 algorithm

. Adversarial Bandit model

. Contexulalized Bandit

. LinUCB


【部分案例讲解】

. 使用Gradient Boosting Tree做基于 interaction 与 content的广告推荐

. 使用深度神经网络做基于interaction 与 content的推荐

. LinUCB做新闻推荐, 最大化rewards


第六阶段 贝叶斯模型


【核心知识点】

. 主题模型(LDA) 以及生成过程

. Dirichlet Distribution, Multinomial Distribution

. 蒙特卡洛与MCMC

. Metropolis Hasting与Gibbs Sampling

. 使用Collapsed Gibbs Sampler求解LDA

. Mean-field variational Inference

. 使用VI求解LDA

. Stochastic Optimization与Bayesian Inference

. 利用SLGD和SVI求解LDA

. 基于分布式计算的贝叶斯模型求解

. 随机过程与无参模型(non-parametric)

. Chinese Retarant Process

. Stick Breaking Process

. Stochastic Block Model与MMSB

. 基于SGLD与SVI的MMSB求解

. Bayesian Deep Learning模型. Deep Generative Model


【部分案例讲解】

. 基于Bayesian LSTM的文本分析

. 使用无参主题模型做文本分类

. 基于贝叶斯模型实现小数量的图像识别


第七阶段 增强学习与其他前沿主题


【核心知识点】

. Policy Learning

. Deep RL

. Variational Autoencoder(VAE)与求解

. 隐变量的Disentangling

. 图像的生成以及Disentangling

. 文本的生成以及Disentangling

. Generative Adversial Network(GAN)

. CycleGan

. 深度学习的可解释性

. Deconvolution与图像特征的解释

. Layer-wise Propagation

. Adversial Machine Learning

. Purturbation Analysis

. Fair Learning


【部分案例讲解】

. 基于GAN的图像生成

. 基于VAE的文本Style Transfer

. 可视化机器翻译系统



02

部分项目

大量企业级项目实战


程设计紧密围绕学术界最新进展以及工业界的需求,涵盖了所有核心知识点,并且结合了大量实战项目,培养学员的动手能力,解决问题能来以及对知识的深入理解。



03

授课讲解

直播授课,现场推导演示


区别于劣质的PPT讲解,导师全程现场推导,让你在学习中有清晰的思路,深刻的理解算法模型背后推导的每个细节。更重要的是可以清晰地看到各种模型之间的关系!帮助你打通六脉!

▲源自:CRF与Log-Linear模型讲解

▲源自:CRF与Log-Linear模型讲解

▲源自:Convex Optimization 讲解



▲源自:Convergence Analysis 讲解


不管你在学习过程中遇到多少阻碍,你都可以通过以下4种方式解决:

1、直接在线问导师;

2、记录到共享文档中,每日固定时间的直播答疑;

3、学习社群中全职助教,24h随时提问答疑

4、共同的问题在Review Session里面做讲解


注:每次答疑,班主任都会进行记录,以便学员实时查阅。


04

课程适合谁?


·对机器学习算法有基础了解,具备编程能力;

·对数据结构与算法比较熟悉;

·想申请国外名校AI相关专业的硕士/博士;

·从事AI领域工作,想要升职加薪;

·想转型成为一线AI工程师 (已具备基础)。

05

课程特色


  • 内容上包含了作为AI顶级工程师必备的核心技术体系;

  • 内容上包含了大量最前沿的技术;

  • 具备一定的挑战性和深度,区别于市面上的其他同类的课程;

  • 理论与实战的结合,所有的理论会本质层面讲起,通俗易懂,即便是BERT, Bayesian NN也会让你理解并且熟练应用;

  • 包含具有挑战性的课程项目作业和理论作业,这些会帮助你更深入地理解学过的知识点,每一个重要的知识点会配备实战讲解以及核心代码review;

  • 硅谷AI博士教研讲师团队,均在机器学习、深度学习领域有很深的研究和工作经验

06

课程安排

高强度学习,魔鬼式训练


采用直播的授课方式,一周4-5次的直播教学, 包括2次的main lectures, 1-2次的discussion session (讲解某一个实战、必备基础、案例或者技术上的延伸), 1次的paper reading session (每周会assign一篇必备论文,并且直播解读)。教学模式上也参考了美国顶级院校的教学体系。以下为其中一周的课程安排,供参考。 


报名方式

请扫描下面二维码,咨询课程

👇👇👇   

  ▲  
长按识别上方二维码,咨询课程 

07

你的必备挑战


1.编写一些技术类文章


通过在知乎上发表相关技术文章进行自我成果检验,同时也是一种思想碰撞的方式,导师会对发表的每一篇文章写一个详细的评语。万一不小心成为一个大V了呢?

虽然写文章的过程万分痛苦,学习群里半夜哀嚎遍野,但看一看抓着头发写出来的文章结果还是非常喜人的!看着自己收获的点赞数,大家都默默地感谢起导师们的无情!


这种满满的成就感,让大家一篇接一篇写了下去!

个个都立刻变身成了知乎大牛~


2.Project项目


除了文章,算法工程师立命的根本--项目代码,导师更是不会放过的。每次在Gitlab上布置的作业,导师们都会带领助教团队会予以详细的批改和反馈。并逼着你不断的优化!

08

课程导师

2位硅谷AI博士,学术、工业界大牛


看了这么多,是不是非常崇拜设计出如此地狱式学习计划的大牛,那就来正式认识一下这位训练营中人人听了都闻风丧胆,但又让人崇拜+喜爱+欲罢不能的训练营魔头导师们:


在被大魔头们折磨了多个日日夜夜后,大家不但没有放弃学习,而且很快乐地学习着。来听听大家的心声吧:

由于内容的专业性以及深度,在过去我们的训练营中吸引了大量全球顶级名府的学员,这里不乏来自CMU, Columbia, USC, UCSD等美国顶级名校和清北上交等国内名校学员,还有知名企业的一线工程师。


我们的魔鬼训练营体系已经在众多课程中得到了认可,帮助数百名学员达到技能提升并成功拿到高薪offer。

9

报名须知


1、本课程为收费教学。

2、每期仅招收50人,将择优录取。

3、品质保障,正式开课后7天内,无条件全额退款


报名方式

请扫描下面二维码,咨询课程

👇👇👇   

  ▲  
长按识别上方二维码,咨询课程 
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/46101
 
419 次点击