本文介紹了10門相關(guān)課程，涵蓋了機(jī)器學(xué)習(xí)入門、深度學(xué)習(xí)和自然語言處理等，希望對你的學(xué)習(xí)有所幫助。

本系列課程的提供者有：Delta Analytics、作家兼培訓(xùn)師Aurélien Geron、威斯康星大學(xué)麥迪遜分校、AI研究員Goku Mohandas、滑鐵盧大學(xué)、新加坡國立大學(xué)和英屬哥倫比亞大學(xué)等。

 

 

來源： Deep Unsupervised Learning Spring(加州大學(xué)伯克利分校)

1. 機(jī)器學(xué)習(xí)的基礎(chǔ)

傳送門：http://www.deltanalytics.org/curriculum.html (Delta Analytics)

本課講解的是一些基本的建模理論，是成為一名合格的程序員所必備的知識。每個版塊的課程都側(cè)重于實用示例，旨在向讀者介紹實踐技巧以及用于模型數(shù)據(jù)的強(qiáng)大算法(其實非常簡單)。

2. 使用TensorFlow 2和Keras進(jìn)行深度學(xué)習(xí)

傳送門：https://github.com/ageron/tf2_course (Aurélien Geron)

在這個課程里，包含用TensorFlow 2和Keras進(jìn)行深度學(xué)習(xí)的訓(xùn)練。而習(xí)題與詳解由Jupyter Notebooks呈現(xiàn)。

警告：TensorFlow 2.0預(yù)覽版會有bug，可能與最終的2.0版本不完全相同。但愿這段代碼在TF 2出來后可以正常運行。

3. 深度學(xué)習(xí)

傳送門：http：//pages.stat.wisc.edu/~sraschka/teaching/stat479-ss2019/(威斯康星大學(xué)麥迪遜分校)

本課程的重點是理解人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)算法(在基本層面討論這些方法背后的數(shù)學(xué)原理)，并用代碼實現(xiàn)網(wǎng)絡(luò)模型，以及將這些模型應(yīng)用于實際數(shù)據(jù)集。所涉及的主題包括——用于圖像分類和目標(biāo)檢測的卷積神經(jīng)網(wǎng)絡(luò)、用于建模文本的循環(huán)神經(jīng)網(wǎng)絡(luò)、以及用于生成新數(shù)據(jù)的生成對抗網(wǎng)絡(luò)。

4. 實用AI

傳送門：https://github.com/GokuMohandas/practicalAI (Goku Mohandas)

該課會講解學(xué)習(xí)和使用機(jī)器學(xué)習(xí)的實用技巧，幫助程序員能夠利用機(jī)器學(xué)習(xí)從數(shù)據(jù)中獲取有價值的信息。

使用PyTorch實現(xiàn)基本的ML算法和深度神經(jīng)網(wǎng)絡(luò)。

在瀏覽器上運行所有東西，不需要進(jìn)行任何Google Colab設(shè)置。

學(xué)習(xí)面向?qū)ο蟮哪転楫a(chǎn)品編碼的ML實用教程，而不僅僅是學(xué)習(xí)書面教程。

5. 深度無監(jiān)督學(xué)習(xí)

傳送門：https://sites.google.com/view/berkeley-cs294-158-sp19/home (加州大學(xué)伯克利分校)

本課程涉及了兩個不需要標(biāo)記數(shù)據(jù)的深度學(xué)習(xí)領(lǐng)域：深度生成模型和自我監(jiān)督學(xué)習(xí)。生成模型領(lǐng)域的最新進(jìn)展有助于對高維原始數(shù)據(jù)(如自然圖像、音頻波形和文本語料庫)進(jìn)行逼真的建模。自我監(jiān)督學(xué)習(xí)的發(fā)展縮小了監(jiān)督表征學(xué)習(xí)與無監(jiān)督表征學(xué)習(xí)在微調(diào)不可見任務(wù)方面的差距。本課程將介紹這些主題的理論基礎(chǔ)以及最新啟用的應(yīng)用程序。

6. 深度學(xué)習(xí)簡介

傳送門：http://courses.d2l.ai/berkeley-stat-157/index.html (加州大學(xué)伯克利分校)

本課程介紹了深度學(xué)習(xí)的實際應(yīng)用，包括理論動機(jī)以及實際操作方法。另外，還介紹了多層感知器、反向傳播、自動微分和隨機(jī)梯度下降。此外，本課程用卷積網(wǎng)絡(luò)來處理圖像，從簡單的LeNet到最新的ResNet高精度模型體系結(jié)構(gòu)。其次，文中還討論了序列模型和循環(huán)網(wǎng)絡(luò)，如LSTMs，GRU和注意機(jī)制。本課程強(qiáng)調(diào)高效實踐、優(yōu)化和可擴(kuò)展性，例如擴(kuò)展到多個GPU和多臺機(jī)器。本課程的目標(biāo)是使學(xué)員獲得現(xiàn)代非參數(shù)估計所需的理解力和實踐能力。

7. 強(qiáng)化學(xué)習(xí)

傳送門：https://cs.uwaterloo.ca/~ppoupart/teaching/cs885-spring18/goals.html(滑鐵盧大學(xué))

本課程向?qū)W員們講解如何設(shè)計算法，使機(jī)器能進(jìn)行強(qiáng)化學(xué)習(xí)。監(jiān)督學(xué)習(xí)狀態(tài)下，機(jī)器從含有正確決策的示例中學(xué)習(xí);非監(jiān)督學(xué)習(xí)狀態(tài)下，機(jī)器從數(shù)據(jù)中發(fā)現(xiàn)模式來學(xué)習(xí)。而在強(qiáng)化學(xué)習(xí)狀態(tài)下，機(jī)器從部分、隱式和延遲反饋中學(xué)習(xí)，順序決策任務(wù)需要機(jī)器反復(fù)與環(huán)境或用戶交互，強(qiáng)化學(xué)習(xí)對執(zhí)行這一任務(wù)起到很大幫助。強(qiáng)化學(xué)習(xí)的應(yīng)用包括機(jī)器人控制、自動駕駛汽車、游戲、會話代理、輔助技術(shù)、計算金融、運籌學(xué)等。

8. 深度學(xué)習(xí)在自然語言處理中的應(yīng)用

傳送門：https://www.comp.nus.edu.sg/~kanmy/courses/6101_1810/ (新加坡國立大學(xué))

本課程參考于CS 224N《自然語言處理中的深度學(xué)習(xí)》——斯坦福大學(xué)的Richard Socher教授的課程。經(jīng)Socher教授許可，本課照搬了他的課程模式和文獻(xiàn)選擇。

9. 自然語言處理的應(yīng)用

傳送門：http://people.ischool.berkeley.edu/~dbamman/info256.html (加州大學(xué)伯克利分校)

本課程探討了將自然語言處理作為探索和推理數(shù)據(jù)化文本的方法，尤其側(cè)重于NLP的應(yīng)用方面——創(chuàng)新使用Python中現(xiàn)有的NLP方法和庫，而不是探索其核心算法。

這是一門應(yīng)用性課程，每個課程都包括簡短講解環(huán)節(jié)和用Jupyter Notebooks當(dāng)堂實驗環(huán)節(jié)(大約各占50%)。學(xué)員將在課堂上進(jìn)行大量編程，并與其他學(xué)員和教師進(jìn)行小組合作。學(xué)員必須為每節(jié)課做好準(zhǔn)備，并在課前提交準(zhǔn)備材料，考勤有硬性要求。

10. 機(jī)器學(xué)習(xí)講座

傳送門：https://www.cs.ubc.ca/~schmidtm/Courses/LecturesOnML/ (英屬哥倫比亞大學(xué))

這門課程資料是UBC大學(xué)一位教授整理的關(guān)于機(jī)器學(xué)習(xí)的資料合集，包括80多個講座的材料，涉及了大量與機(jī)器學(xué)習(xí)相關(guān)的話題。各個主題中的符號相當(dāng)一致，這使得其關(guān)聯(lián)清晰可見，并且各主題按難度排序(難度遞增，并且所有概念都有明確定義)。

標(biāo)簽： [db:TAGG]

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。