??百度網盤??
提取碼：u6C4
最近一直關注貪心學院的機器學習訓練營，發現這門課講的很有深度，不僅適合職場也適合科研人員，加入AI行業拿到高薪僅僅是職業生涯的開始。現階段AI人才結構在不斷升級，對AI人才的要求也不斷升高，如果對自己沒有很高的要求，其實很容易被快速發展的趨勢所淘汰。
下面我們看下大綱：
第一部分 凸優化與機器學習
第一周：凸優化介紹
從優化角度理解機器學習
優化技術的重要性
常見的凸優化問題
線性規劃以及Simplex Method
Two-Stage LP
案例：運輸問題講解
第二周：凸函數講解
凸集的判斷
First-Order Convexity
Second-order Convexity
Operations Preserve Convexity
二次規劃問題（QP)
案例：最小二乘問題
項目作業：投資組合優化
第三周：凸優化問題
常見的凸優化問題類別
半定規劃問題
幾何規劃問題
非凸函數的優化
松弛化（Relaxation）
整數規劃（Integer Programming)
案例：打車中的匹配問題
第四周：對偶（Duality）
拉格朗日對偶函數
對偶的幾何意義
Weak and Strong Duality
KKT條件
LP, QP, SDP的對偶問題
案例：經典模型的對偶推導及實現對偶的其他應用
第五周：優化技術
一階與二階優化技術
Gradient Descent
Subgradient Method
Proximal Gradient Descent
Projected Gradient Descent
SGD與收斂
Newtons Method
Quasi-Newtons Method
第二部分 圖神經網絡
第六周： 數學基礎
向量空間和圖論基礎
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：譜域的圖神經網絡
卷積神經網絡回歸
卷積操作的數學意義
Graph Convolution
Graph Filter
ChebNet
CayleyNet
GCN
Graph Pooling
案例：基于GCN的推薦
第八周：空間域的圖神經網絡
Spatial Convolution
Mixture Model Network (MoNet)
注意力機制
Graph Attention Network(GAT)
Edge Convolution
空間域與譜域的比較
項目作業：基于圖神經網絡的鏈路預測
第九周：圖神經網絡改進與應用
拓展1: Relative Position與圖神經網絡
拓展2：融入Edge特征：Edge GCN
拓展3：圖神經網絡與知識圖譜: Knowledge GCN
拓展4：姿勢識別：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 強化學習
第十周：強化學習基礎
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在推薦系統的應用案例
第十二周：路徑規劃
Monte-Carlo Tree Search
N-step learning
Approximation
Reward Shaping
結合深度學習：Deep RL
項目作業：強化學習在游戲中的應用案例
第十三周: 自然語言處理中的RL
Seq2seq模型的問題
結合Evaluation Metric的自定義loss
結合aspect的自定義loss
不同RL模型與seq2seq模型的結合
案例：基于RL的文本生成
第四部分 貝葉斯方法
第十四周：貝葉斯方法論簡介
貝葉斯定理
從MLE, MAP到貝葉斯估計
集成模型與貝葉斯方法比較
計算上的Intractiblity
MCMC與變分法簡介
貝葉斯線性回歸
貝葉斯神經網絡
案例：基于Bayesian-LSTM的命名實體識別
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、多項式分布
LDA的生成過程
LDA中的參數與隱變量
Supervised LDA
Dynamic LDA
LDA的其他變種
項目作業：LDA的基礎上修改并搭建無監督情感分析模型
第十六周：MCMC方法
Detailed Balance
對于LDA的吉布斯采樣
對于LDA的Collapsed吉布斯采樣
Metropolis Hasting
Importance Sampling
Rejection Sampling
大規模分布式MCMC
大數據與SGLD
案例：基于分布式的LDA訓練
第十七周：變分法（Variational Method)
變分法核心思想
KL散度與ELBo的推導
Mean-Field變分法
EM算法
LDA的變分法推導
大數據與SVI
變分法與MCMC的比較
Variational Autoencoder
Probabilistic Programming
案例：使用概率編程工具來訓練貝葉斯模型
