本文主要是介绍美国 AI 顶级院校博士机器学习课程是什么样的?,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
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。由 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
课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;
·已从事 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
请扫描下方二维码咨询课程
这篇关于美国 AI 顶级院校博士机器学习课程是什么样的?的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!