如果你準備發(fā)AI方向的論文，或準備從事科研工作或已在企業(yè)中擔任AI算法崗的工作。那么我真誠的向大家推薦，貪心學院《高階機器學習研修班》，目前全網(wǎng)上應(yīng)該找不到類似體系化的課程。課程精選了四大主題進行深入的剖析講解，四個模塊分別為凸優(yōu)化、圖神經(jīng)網(wǎng)絡(luò)、強化學習、貝葉斯深度學習。

適合什么樣的人來參加吶？

• 從事AI行業(yè)多年，但技術(shù)上感覺不夠深入，遇到了瓶頸；?

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

• 對于機器學習背后的優(yōu)化理論、前沿的技術(shù)不夠深入；

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

• 打算進入頂尖的AI公司如Google，Facebook，Amazon， 阿里等；

• 讀ICML，IJCAI等會議文章比較吃力，似懂非懂，無法把每個細節(jié)理解透。

如果對課程感興趣，請聯(lián)系

添加課程顧問小姐姐微信

報名、課程咨詢

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

01 課程大綱

課程內(nèi)容上做了大幅度的更新，一方面新增了對前沿主題的講解如圖神經(jīng)網(wǎng)絡(luò)（GCN,GAT等），對核心部分（如凸優(yōu)化、強化學習）加大了對理論層面上的深度。除此之外，也會包含科研方法論、元學習、解釋性、Fair learning等系列主題。課程采用全程直播授課模式。

模塊一：凸優(yōu)化

第一章：凸優(yōu)化介紹

| 從優(yōu)化角度理解機器學習

| 凸優(yōu)化的重要性

| 常見的凸優(yōu)化問題

| 線性規(guī)劃以及Simplex Method

| Stochastic LP

| 運輸問題講解

| 投放優(yōu)化問題講解

?

第二章：判定凸函數(shù)

| 凸集的判斷

| First-order Convexity

| Second-order convexity

| Operations preserve convexity

| 二次規(guī)劃問題（QP)

| 最小二乘問題

| 股票投資組合優(yōu)化

?

第三章：常見的凸優(yōu)化問題

| 常見的凸優(yōu)化問題類別

| 半定規(guī)劃問題（semi-definite programming）

| 幾何規(guī)劃問題（geometric programming）

| 非凸函數(shù)的優(yōu)化

| 松弛化（relaxazation）

| 整數(shù)規(guī)劃（integer programming）

| 打車中的匹配問題

?

第四章：優(yōu)化與量化投資

| 量化投資概述

| 如何閱讀K線圖

| 基于規(guī)則的量化策略

| 基于多因子模型的量化策略

| 基于機器學習模型的量化策略

| 基于LP， QP優(yōu)化的量化策略

| Efficient Frontier, Sharp Ratio

| 量化平臺：量化策略編寫實戰(zhàn)作業(yè)講解SDP

?

第五周：對偶（Duality）

| 拉格朗日對偶函數(shù)

| 對偶的幾何意義

| Weak and Strong Duality

| KKT條件

| LP, QP, SDP的對偶問題

| 對偶的其他應(yīng)用

| 典機器學習模型的對偶推導及實現(xiàn)

?

?第六章：一階與二階優(yōu)化技術(shù)

| Gradient Descent

| Subgradient Method

| Proximal Gradient Descent

| Projected Gradient Descent

| Stochastic Gradient Descent與收斂

| Newton's Method

| Quasi-Newton Method

| L-BFGS

?

第七章：優(yōu)化技術(shù)進階

| Mirror Ascent

| 分布式SGD

| Interior Point Method

| ADMM

| Sparsity與優(yōu)化

| Combinatorial優(yōu)化

模塊二?圖神經(jīng)網(wǎng)絡(luò)

第一章：數(shù)學部分（1）

| 空間向量和圖論

| Inner Product, Hilbert Space

| 傅里葉變化

| Eigenfunction, Eigenvalue

| CNN的卷積和池化

| 介紹cnn的卷積層

| 如何卷積，信息如何傳遞

| 池化層的作用和基本設(shè)計

?

第二章：數(shù)學部分（2）

| Subgraph

| Network Motif

| Network Community Detection

| 拉普拉斯算子

| 拉普拉斯矩陣

| SVD

| QR分解

| 基本向量機分解

| block分解

| 拉普拉斯算子和矩陣的數(shù)學意義

第三章：圖卷積

| 卷積的幾何意義

| 圖卷積

| ChebNet

| GCN

| Graph Pooling

| MCMC介紹

| Importance Sampling

| Rejection Sampling

第四章：邊嵌入的圖卷積

| Spatial Convolution

| Mixture Model Network

| Attention機制

| Graph attention network

| Edge Convolution

| 近似優(yōu)化問題

| 減少計算量的介紹

第五章：圖卷積的應(yīng)用

| NRI

| Relative GCN

| Knowledge GCN

| ST-GCN

| Graphsage的設(shè)計

| Graphsage的應(yīng)用

第六章：GNN的相關(guān)模型

| GNN

| Deepwalk

| Node2vec

| Struc2vec

| HyperGCN

| HGCN的設(shè)計和應(yīng)用

模塊三 強化學習

第一章：強化學習基礎(chǔ)（1）

| Markov Decision Process

| Bellman Equation

| Dynamic Programming

| Model-free Prediction

| Monte Carlo Learning

| TD Learning

?

第二章：強化學習基礎(chǔ)（2）

| Model free Control

| On-Policy Monte Carlo Control

| On-Policy TD Learning

| SARSA, SARSA Lambda

| Off-policy

| Importance Sampling, Q-Learning

?

第三章：強化學習基礎(chǔ)（3）

| Policy Gradient

| Deep Reinforcement Learning

| Actor Critic

| Advanced Reinforcement Learning

?

第四章：探索、實施、推薦系統(tǒng)

| Multi Armed ?Bandits

| Explore and Exploit

| Thompson Sampling

| Epsilon Greegy

| Upper Confidence Bound

| Reinforcement Learning and Recommendation system

| Epsilon greedy

| UCB ?

第五章：多智能體的強化學習與稀疏Reward設(shè)計

| Multi agent Reinforcement Learning

| Sparse reward Design

| Inverse RL

| Master the game of Go without human knowledge

| AlphaGo ?圍棋強化學習論文解讀

第六章：強化學習在NLP、量化、游戲中的應(yīng)用

| Reinforcement Learning Application

| Reinforcement Learning with NLP

| Reinforcment Learning with quatitive trading

| Reinforcement Learning with Game.

| SeqGan 代碼講解

模塊四 貝葉斯深度學習

第一章：貝葉斯機器學習介紹

| 貝葉斯定理

| MLE，MAP以及貝葉斯估計

| 集成模型與貝葉斯方法比較

| 貝葉斯推理中的困難

| 貝葉斯近似算法介紹

| 貝葉斯線性回歸

| 案例：基于貝葉斯線性回歸的股價預(yù)測

| 線性回歸于嶺回歸

| 貝葉斯線性回歸模型

| Probabilistic Programming

| Edwin的使用以及實戰(zhàn)

?

第二章：貝葉斯NB與LDA

| 從樸素貝葉斯到貝葉斯樸素貝葉斯

| 貝葉斯樸素貝葉斯模型的生成過程

| 概率圖表示方法

| 主題模型的應(yīng)用

| 主題模型的生成過程

| 基于LDA的文本分析

| LDA的應(yīng)用場景

| LDA應(yīng)用在文本分析中

| LDA代碼剖析

?

第三章：MCMC采樣技術(shù)

| MCMC采樣技術(shù)介紹

| 吉布斯采樣

| Bayesian NB的求解

| LDA與吉布斯采樣

| 各類采樣技術(shù)

| Importance Sampling

| Rejection Sampling

?

第四章：變分法技術(shù)

| KL散度

| ELBo的構(gòu)造

| 變分法目標函數(shù)

| 坐標下降法

| 求解LDA的參數(shù)

| 基于貝葉斯深度學習的推薦系統(tǒng)搭建

| SVI的介紹

| 貝葉斯深度學習

| 基于SVI的求解

?

第五章：貝葉斯深度學習

| 貝葉斯深度學習的應(yīng)用

| 貝葉斯與VAE

| Reparameterization Trick

| 深度生成模型

| 基于VAE的文本生成

| 貝葉斯模型與不確定性

| MC Dropout介紹

| MC Dropout證明

?

第六章：貝葉斯深度學習與自然語言處理

| 貝葉斯序列模型

| 詞性標注于實體識別

| 基于貝葉斯圖神經(jīng)網(wǎng)絡(luò)的文本分析

| 基于貝葉斯神經(jīng)網(wǎng)絡(luò)的命名實體識別

| Adversial Learning介紹

| Adversial Attack

| 基于GNN的Adversial Learning

?

第七章：高斯過程與貝葉斯優(yōu)化

| 高斯分布

| 高斯過程

| 超參數(shù)的學習

| AutoML技術(shù)

| 貝葉斯優(yōu)化及應(yīng)用

02?部分案例和項目

學員可以選擇每個模塊完成我們提供的固定項目（以個人為單位），或者以小組為單位完成一個開放式項目（capstone），當然你也可以提出你自己的項目。從項目的立項、中期驗收到最終答辯，在這個過程中我們的導師團隊會給你建議、并輔助你完成課題， 該課題最終很有可能成為你的創(chuàng)業(yè)項目或科研論文！

優(yōu)化與量化投資：量化投資作為金融領(lǐng)域一大分支，今年來受到了很大的關(guān)注。在這個項目中，我們將使用在課程中已學過的優(yōu)化技術(shù)來搭建買賣策 略，并在平臺上做回測，最終得到策略的效果。

這個項目的主要目的有以下幾種：

1. 了解并掌握量化投資領(lǐng)域，雖然跟很多人的工作關(guān)系不大，但畢竟是一個新興領(lǐng)域，而且跟 AI 技術(shù)的結(jié)合比較緊密，強烈建議借此機會學習。

2. 掌握并實戰(zhàn)優(yōu)化技術(shù)，通過編寫真正的策略會真正明白優(yōu)化技術(shù)如何應(yīng)用在工業(yè)界環(huán)境中。

3. 基于給定的優(yōu)化方法，自己試著去改進并創(chuàng)造新的優(yōu)化方法，讓回測效果更好。

涉及到的知識點：量化投資，凸優(yōu)化，二次規(guī)劃

基于GCN的鏈路預(yù)測：社交數(shù)據(jù)或者推薦系統(tǒng)數(shù)據(jù)中，擁有一群用戶，有些用戶是朋友關(guān)系，而有些朋友可能是潛在朋友關(guān)系。這個項目，需要精準地預(yù)測用戶之間的關(guān)系，是否會形成朋友關(guān)系，做到用戶之間的準確推薦。首先，需要將問題進行數(shù)學建模，構(gòu)建圖矩陣和特征矩陣，然后再將構(gòu)建的矩陣，放入GCN中，進行訓練，提升結(jié)果。在這個項目里，圖矩陣是需要自己創(chuàng)建，其次，GCN模型，可以進行修改，變成GCN+attention， 或Edge- GCN, 或 GCN-smoothing. 最后衡量預(yù)測效果。

涉及到的知識點：Graph Theory、GCN和Attention、Weighted Graph、Smoothing label

基于HFO 場景的強化學習模型及基于Flappy Bird 場景的深度強化學習：本項目 (coursework) 旨在實踐并設(shè)計強化學習算法來探索，解決解決強化學習問題。其中包括模擬HFO （ Half Field Offence）及 Flappy Bird。通過此項目，期望同學們能充分理解，并可掌握，應(yīng)用 （但不限于） ：狀態(tài)State, 動作Action, MDP（ 馬爾可夫決策過程）。

State value function ，State Action value function 如何進行估計，迭代及預(yù)測。深度神經(jīng)網(wǎng)絡(luò)強化學習對Value Approximation進行評估, 并進行Policy優(yōu)化。Exploration 和 Exploitation 的平衡優(yōu)化也將會在本項目的最后進行探索。

涉及到的知識點：MDP建模， Q Learning, Monte Carlo Control , Value iteration, Deep Q Learning

基于修改版LDA的無監(jiān)督情感分析模型：本項目的目的是如何基于LDA來自動抽取文本中的情感，這個項目涉及到對于LDA模型的改造以及對于新模型的推導，具有一定的挑戰(zhàn)。在本項目中，我們會一步步引導學員去設(shè)計模型，并對模型做出吉布斯采樣的全部推導過程以及實現(xiàn)環(huán)節(jié)。通過此項目，學員會親身體會整個貝葉斯模型的設(shè)計和訓練過程。

涉及到的知識點：主題模型，吉布斯采樣，Collapsed吉布斯采樣，無監(jiān)督情感分析

如果對課程感興趣，請聯(lián)系

添加課程顧問小姐姐微信

報名、課程咨詢

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

03?授課導師

李文哲：貪心科技創(chuàng)始人兼CEO，人工智能和知識圖譜領(lǐng)域?qū)＜?#xff0c;曾任金融科技獨角獸公司的首席科學家、美國亞馬遜的高級工程師，美國南加州大學博士，在荷蘭訪問期間，師從AI頂級學者Max Welling教授。。并在AAAI、KDD、AISTATS等頂會上發(fā)表過15篇以上論文，并榮獲IAAI，IPDPS的最佳論文獎。

?

楊棟：香港城市大學博士, UC Merced博士后，主要從事于機器學習，圖卷積，圖嵌入的研究。先后在ECCV, Trans on Cybernetics, Trans on NSE, INDIN等國際頂會及期刊上發(fā)表過數(shù)篇論文。

04直播授課，現(xiàn)場推導演示

區(qū)別于劣質(zhì)的PPT講解，導師全程現(xiàn)場推導，讓你在學習中有清晰的思路，深刻的理解算法模型背后推導的每個細節(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 完整的項目實踐文檔

以量化投資的項目為例，使用優(yōu)化技術(shù)來解決。大概1個月的時間。只要按照文檔里的步驟自己做就可以，但還是挺有挑戰(zhàn)的，比如如何設(shè)計策略等等。最后的結(jié)果要求在真實的量化平臺上去驗證，并記錄Sharp Ratio等指標，整體來講項目很有意思，畢竟每個人都有AI炒股的夢吧!

圖1：詳細的項目文檔

圖2：詳細的項目文檔

06?科學的課程安排

采用直播的授課方式，每周3-4次直播教學，包含核心理論課、實戰(zhàn)課、復習鞏固課以及論文講解課。教學模式上也參考了美國頂級院校的教學體系。以下為其中一周的課程安排，供參考。?

?

07?入學標準

1、?理工科專業(yè)相關(guān)本科生、碩士生、博士生。

2、目前從事AI工作。

3、具備良好的Python編程能力。

4、具備一定機器學習、深度學習基礎(chǔ)，零基礎(chǔ)學員不太適合。

08?報名須知

1、本課程為收費教學。

2、本期招收學員名額有限。

3、品質(zhì)保障！學習不滿意，可在開課后7天內(nèi)，無條件全額退款。

4、學習本課程需要具備一定的機器學習基礎(chǔ)。

●●●

如果對課程感興趣，請聯(lián)系

添加課程顧問小姐姐微信

報名、課程咨詢

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

與50位技術(shù)專家面對面20年技術(shù)見證，附贈技術(shù)全景圖

總結(jié)

以上是生活随笔為你收集整理的工作之后，顶会还重要嘛？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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