幾年前如果熟練使用TensorFlow，同時(shí)掌握基本的AI算法就可以很容易找到一份高薪的工作，但現(xiàn)在不一樣了，AI崗位的要求越來(lái)越高，對(duì)知識(shí)的深度也提出了更高的要求。

如果現(xiàn)在一個(gè)面試官讓你從零推導(dǎo)SVM的Dual、從零實(shí)現(xiàn)CRF、推導(dǎo)LDA、設(shè)計(jì)一個(gè)QP問(wèn)題、從零編寫XLNet、編寫GCN/GNN、改造SkipGram模型、用一天時(shí)間復(fù)現(xiàn)一篇頂級(jí)會(huì)議....?這些要求一點(diǎn)都不過(guò)分。相反，連這些基本內(nèi)容都有些吃力，就需要重新審視一下自己的核心技術(shù)壁壘了。?

為了迎合時(shí)代的需求，我們?nèi)ツ晖瞥隽?strong>《機(jī)器學(xué)習(xí)高端訓(xùn)練營(yíng)》班。這個(gè)訓(xùn)練營(yíng)的目的很簡(jiǎn)單：想培養(yǎng)更多高端的人才，幫助那些即將或者目前從事科研的朋友，同時(shí)幫助已從事AI行業(yè)的提高技術(shù)深度。?

在本期訓(xùn)練營(yíng)（第四期）中我們對(duì)內(nèi)容做了大幅度的更新，一方面新增了對(duì)前沿主題的講解如圖神經(jīng)網(wǎng)絡(luò)（GCN,GAT等），另外一方面對(duì)核心部分（如凸優(yōu)化、強(qiáng)化學(xué)習(xí)）加大了對(duì)理論層面上的深度。除此之外，也會(huì)包含科研方法論、元學(xué)習(xí)、解釋性、Fair learning等系列主題。目前在全網(wǎng)上應(yīng)該找不到類似體系化的課程。課程仍然采用全程直播授課模式。

那什么樣的人適合來(lái)參加高階班呢？

• 從事AI行業(yè)多年，但技術(shù)上總感覺不夠深入，感覺在技術(shù)上遇到了瓶頸；?

• 停留在使用模型/工具上，很難基于業(yè)務(wù)場(chǎng)景來(lái)提出新的模型；?

• 對(duì)于機(jī)器學(xué)習(xí)背后的優(yōu)化理論、前沿的技術(shù)不夠深入；

• 計(jì)劃從事尖端的科研、研究工作、申請(qǐng)AI領(lǐng)域研究生、博士生；?

• 打算進(jìn)入最頂尖的AI公司比如Google，Facebook，Amazon， 阿里，頭條等；

• 讀ICML，IJCAI等會(huì)議文章比較吃力，似懂非懂感覺，無(wú)法把每個(gè)細(xì)節(jié)理解透；

01 課程大綱

第一部分：凸優(yōu)化與機(jī)器學(xué)習(xí)

第一周：凸優(yōu)化介紹

• 從優(yōu)化角度理解機(jī)器學(xué)習(xí)

• 優(yōu)化技術(shù)的重要性

• 常見的凸優(yōu)化問(wèn)題

• 線性規(guī)劃以及Simplex Method

• Two-Stage?LP

• 案例：運(yùn)輸問(wèn)題講解

?

?

第二周：凸函數(shù)講解

• 凸集的判斷

• First-Order Convexity

• Second-order Convexity

• Operations Preserve Convexity

• 二次規(guī)劃問(wèn)題（QP)

• 案例：最小二乘問(wèn)題

• 項(xiàng)目作業(yè)：股票投資組合優(yōu)化

?

第三周：凸優(yōu)化問(wèn)題

• 常見的凸優(yōu)化問(wèn)題類別

• 半定規(guī)劃問(wèn)題

• 幾何規(guī)劃問(wèn)題

• 非凸函數(shù)的優(yōu)化

• 松弛化（Relaxation）

• 整數(shù)規(guī)劃（Integer Programming)

• 案例：打車中的匹配問(wèn)題

?

第四周：對(duì)偶（Duality）

• 拉格朗日對(duì)偶函數(shù)

• 對(duì)偶的幾何意義

• Weak and Strong Duality

• KKT條件

• LP, QP, SDP的對(duì)偶問(wèn)題

• 案例：經(jīng)典模型的對(duì)偶推導(dǎo)及實(shí)現(xiàn)

• 對(duì)偶的其他應(yīng)用

第五周：優(yōu)化技術(shù)

• 一階與二階優(yōu)化技術(shù)

• Gradient Descent

• Subgradient Method

• Proximal Gradient Descent

• Projected Gradient Descent

• SGD與收斂

• Newton's Method

• Quasi-Newton's Method

第二部分?圖神經(jīng)網(wǎng)絡(luò)

第六周：?數(shù)學(xué)基礎(chǔ)

• 向量空間和圖論基礎(chǔ)

• Inner Product, Hilbert Space

• Eigenfunctions, Eigenvalue

• 傅里葉變化

• 卷積操作

• Time Domain, Spectral Domain

• Laplacian, Graph Laplacian

?

第七周：譜域的圖神經(jīng)網(wǎng)絡(luò)

• 卷積神經(jīng)網(wǎng)絡(luò)回歸

• 卷積操作的數(shù)學(xué)意義

• Graph Convolution

• Graph Filter

• ChebNet

• CayleyNet

• GCN

• Graph Pooling

• 案例：基于GCN的推薦

?

第八周：空間域的圖神經(jīng)網(wǎng)絡(luò)

• Spatial Convolution

• Mixture Model Network (MoNet)

• 注意力機(jī)制

• Graph Attention Network(GAT)

• Edge Convolution

• 空間域與譜域的比較

• 項(xiàng)目作業(yè)：基于圖神經(jīng)網(wǎng)絡(luò)的鏈路預(yù)測(cè)

?

第九周：圖神經(jīng)網(wǎng)絡(luò)改進(jìn)與應(yīng)用

• 拓展1: ? Relative Position與圖神經(jīng)網(wǎng)絡(luò)

• 拓展2：融入Edge特征：Edge GCN

• 拓展3：圖神經(jīng)網(wǎng)絡(luò)與知識(shí)圖譜: Knowledge GCN

• 拓展4：姿勢(shì)識(shí)別：ST-GCN

• 案例：基于圖的文本分類

• 案例：基于圖的閱讀理解

第三部分?強(qiáng)化學(xué)習(xí)

第十周：強(qiáng)化學(xué)習(xí)基礎(chǔ)

• Markov Decision Process

• Bellman Equation

• 三種方法：Value，Policy，Model-Based

• Value-Based Approach: Q-learning

• Policy-Based Approach: SARSA

第十一周：Multi-Armed Bandits

• Multi-Armed bandits

• Epsilon-Greedy

• Upper Confidence Bound (UCB)

• Contextual UCB

• LinUCB & Kernel UCB

• 案例：Bandits在推薦系統(tǒng)的應(yīng)用案例

?

第十二周：路徑規(guī)劃

• Monte-Carlo Tree Search

• N-step learning

• Approximation

• Reward Shaping

• 結(jié)合深度學(xué)習(xí)：Deep RL

• 項(xiàng)目作業(yè)：強(qiáng)化學(xué)習(xí)在游戲中的應(yīng)用案例

?

第十三周: 自然語(yǔ)言處理中的RL

• Seq2seq模型的問(wèn)題

• 結(jié)合Evaluation Metric的自定義loss

• 結(jié)合aspect的自定義loss

• 不同RL模型與seq2seq模型的結(jié)合

• 案例：基于RL的文本生成

第四部分?貝葉斯方法

第十四周：貝葉斯方法論簡(jiǎn)介

• 貝葉斯定理

• 從MLE, MAP到貝葉斯估計(jì)

• 集成模型與貝葉斯方法比較

• 計(jì)算上的Intractiblity

• MCMC與變分法簡(jiǎn)介

• 貝葉斯線性回歸

• 貝葉斯神經(jīng)網(wǎng)絡(luò)

• 案例：基于Bayesian-LSTM的命名實(shí)體識(shí)別

?

?

第十五周：主題模型

• 生成模型與判別模型

• 隱變量模型

• 貝葉斯中Prior的重要性

• 狄利克雷分布、多項(xiàng)式分布

• LDA的生成過(guò)程

• LDA中的參數(shù)與隱變量

• Supervised LDA

• Dynamic LDA

• LDA的其他變種

• 項(xiàng)目作業(yè)：LDA的基礎(chǔ)上修改并搭建無(wú)監(jiān)督情感分析模型

?

?

第十六周：MCMC方法

• Detailed Balance

• 對(duì)于LDA的吉布斯采樣

• 對(duì)于LDA的Collapsed吉布斯采樣

• Metropolis Hasting

• Importance Sampling

• Rejection Sampling

• 大規(guī)模分布式MCMC

• 大數(shù)據(jù)與SGLD

• 案例：基于分布式的LDA訓(xùn)練

?

?

第十七周：變分法（Variational Method)

• 變分法核心思想

• KL散度與ELBo的推導(dǎo)

• Mean-Field變分法

• EM算法

• LDA的變分法推導(dǎo)

• 大數(shù)據(jù)與SVI

• 變分法與MCMC的比較

• Variational Autoencoder

• Probabilistic Programming

• 案例：使用概率編程工具來(lái)訓(xùn)練貝葉斯模型

第十八周：其他前沿主題

• 模型的可解釋性

• 解釋CNN模型

• 解釋序列模型

• Meta Learing

• Fair Learning

• 技術(shù)前瞻

●●●

課程其他的細(xì)節(jié)可以聯(lián)系課程顧問(wèn)來(lái)獲取

添加課程顧問(wèn)小姐姐微信

報(bào)名、課程咨詢

????????????

02?部分案例和項(xiàng)目

運(yùn)輸優(yōu)化問(wèn)題：在運(yùn)籌學(xué)以及優(yōu)化領(lǐng)域最為經(jīng)典的問(wèn)題之一，類似的思想廣泛應(yīng)用在倉(cāng)庫(kù)優(yōu)化，匹配等問(wèn)題上。

涉及到的知識(shí)點(diǎn)：

• 線性回歸以及優(yōu)化實(shí)現(xiàn)

• Two-Stage隨機(jī)線性規(guī)劃一下優(yōu)化實(shí)現(xiàn)

打車中的路徑規(guī)劃問(wèn)題：我們幾乎每天都在使用打車軟件或者外賣軟件。對(duì)于這些應(yīng)用來(lái)講，核心算法應(yīng)用就是乘客和車輛的匹配。

涉及到的知識(shí)點(diǎn)：

• Mixed Integer Linear Programming
  

• 提供approximation bounds

經(jīng)典機(jī)器學(xué)習(xí)模型的對(duì)偶推導(dǎo)及實(shí)現(xiàn)：通過(guò)此練習(xí)，更深入理解機(jī)器學(xué)習(xí)模型以及對(duì)偶的作用。

涉及到的知識(shí)點(diǎn)：

• SVM，LP等模型
  

• 對(duì)偶技術(shù)

• KKT條件

基于圖神經(jīng)網(wǎng)絡(luò)的文本分類：當(dāng)使用語(yǔ)法分析工具處理文本之后，一段文本便可以成為一個(gè)圖，接下來(lái)就可以使用圖卷積神經(jīng)網(wǎng)絡(luò)來(lái)做后續(xù)的分類工作

涉及到的知識(shí)點(diǎn)：

• 語(yǔ)法分析

• 圖神經(jīng)網(wǎng)絡(luò)

基于圖神經(jīng)網(wǎng)絡(luò)的閱讀理解：一般的閱讀需要讓機(jī)器閱讀多個(gè)文章并對(duì)提出的問(wèn)題給出答案。在閱讀理解中抽取關(guān)鍵的實(shí)體和關(guān)系變得很重要，這些實(shí)體和關(guān)系可以用來(lái)構(gòu)造一個(gè)圖。

涉及到的知識(shí)點(diǎn)：

• 命名識(shí)別，關(guān)系抽取

• 圖神經(jīng)網(wǎng)絡(luò)

• Heterogeneous Graph
  

Bandits在推薦系統(tǒng)的應(yīng)用案例：Bandits應(yīng)用在順序決策問(wèn)題的應(yīng)用中有易于實(shí)現(xiàn)、計(jì)算效率高、解決冷啟動(dòng)問(wèn)題、數(shù)據(jù)標(biāo)注相對(duì)要求不高（一般只需部分標(biāo)注作為reward，如用戶點(diǎn)擊）等優(yōu)點(diǎn)。本案例講解bandits如何應(yīng)用在新聞推薦的系統(tǒng)中做基于內(nèi)容的推薦。

????涉及到的知識(shí)點(diǎn)：

• Exploration & Exploitation

• Epsilon Greedy

• Upper Confidential Bounder

• LineUCB

使用概率編程工具來(lái)訓(xùn)練貝葉斯模型：類似于Pytorch，Tensorflow，概率編程工具提供了對(duì)貝葉斯模型的自動(dòng)學(xué)習(xí)，我們以LDA等模型為例來(lái)說(shuō)明這些工具的使用。?

涉及到的知識(shí)點(diǎn)：

• 概率編程

• 主題模型

• MCMC和變分法

股票投資組合優(yōu)化：在投資組合優(yōu)化中，我們需要根據(jù)用戶的風(fēng)險(xiǎn)承受能力來(lái)設(shè)計(jì)并組合資產(chǎn)。在本項(xiàng)目中，我們?cè)囍诙我?guī)劃的框架下做一些必要的修改如加入必要的限制條件、必要的正則來(lái)控制組合的稀疏性、加入投資中的先驗(yàn)等信息，最后根據(jù)預(yù)先定義好的評(píng)估標(biāo)準(zhǔn)來(lái)引導(dǎo)模型的學(xué)習(xí)

涉及到的知識(shí)點(diǎn)：

• 二次規(guī)劃

• 不同的正則使用

• 基于限制條件的優(yōu)化

• 先驗(yàn)的引入

課程其他的細(xì)節(jié)可以聯(lián)系課程顧問(wèn)來(lái)獲取

添加課程顧問(wèn)小姐姐微信

報(bào)名、課程咨詢

????????????

03?授課導(dǎo)師

李文哲：貪心科技創(chuàng)始人兼CEO，人工智能和知識(shí)圖譜領(lǐng)域?qū)＜?#xff0c;曾任金融科技獨(dú)角獸公司的首席科學(xué)家、美國(guó)亞馬遜的高級(jí)工程師，先后負(fù)責(zé)過(guò)聊天機(jī)器人、量化交易、自適應(yīng)教育、金融知識(shí)圖譜等項(xiàng)目，并在AAAI、KDD、AISTATS等頂會(huì)上發(fā)表過(guò)15篇以上論文，并榮獲IAAI，IPDPS的最佳論文獎(jiǎng)，多次出席行業(yè)峰會(huì)發(fā)表演講。分別在USC, TAMU，南開攻讀博士、碩士和本科。

?

楊棟：香港城市大學(xué)博士, UC Merced博士后，主要從事于機(jī)器學(xué)習(xí)，圖卷積，圖嵌入的研究。先后在ECCV, Trans on Cybernetics, Trans on NSE, INDIN等國(guó)際頂會(huì)及期刊上發(fā)表過(guò)數(shù)篇論文。擔(dān)任過(guò)貪心學(xué)院高階課程的講師，獲得了學(xué)員一致的好評(píng)。?

04直播授課，現(xiàn)場(chǎng)推導(dǎo)演示

區(qū)別于劣質(zhì)的PPT講解，導(dǎo)師全程現(xiàn)場(chǎng)推導(dǎo)，讓你在學(xué)習(xí)中有清晰的思路，深刻的理解算法模型背后推導(dǎo)的每個(gè)細(xì)節(jié)。更重要的是可以清晰地看到各種模型之間的關(guān)系！幫助你打通六脈！

▲源自：LDA模型講解

▲源自：Convex Optimization 講解

▲源自：Convergence Analysis 講解

05?課程安排（以前兩周為例）

06 課程適合誰(shuí)？

大學(xué)生

• 計(jì)算機(jī)相關(guān)專業(yè)的本科/碩士/博士生，需要具備一定的機(jī)器學(xué)習(xí)基礎(chǔ)

• 希望能夠深入AI領(lǐng)域，為科研或者出國(guó)做準(zhǔn)備

• 想在步入職場(chǎng)前，深入AI領(lǐng)域，并把自己培養(yǎng)成T字形人才

在職人士

• 目前從事AI相關(guān)的項(xiàng)目工作，具有良好的機(jī)器學(xué)習(xí)基礎(chǔ)

• 希望打破技術(shù)上的天花板，能夠有能力去做模型上的創(chuàng)新

• 以后往資深工程師、研究員、科學(xué)家的職業(yè)路徑發(fā)展

?

07 報(bào)名須知

1、本課程為收費(fèi)教學(xué)。

2、本期僅招收剩余名額有限。

3、品質(zhì)保障！正式開課后7天內(nèi)，無(wú)條件全額退款。

4、學(xué)習(xí)本課程需要具備一定的機(jī)器學(xué)習(xí)基礎(chǔ)。

●●●

課程其他的細(xì)節(jié)可以聯(lián)系課程顧問(wèn)來(lái)獲取

添加課程顧問(wèn)小姐姐微信

報(bào)名、課程咨詢

????????????

總結(jié)

以上是生活随笔為你收集整理的详解凸优化、贝叶斯、MCMC、GCN的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。