加入AI行业拿到高薪仅仅是职业生涯的开始。现阶段AI人才结构在不断升级，对AI人才的要求也不断升高，如果对自己没有很高的要求，其实很容易被快速发展的趋势所淘汰。
为了迎合时代的需求，我们去年推出了《机器学习高端训练营》班。这个训练营的目的很简单：想培养更多高端的人才，帮助那些即将或者目前从事科研的朋友，同时帮助已从事AI行业的提高技术深度。
在本期训练营（第四期）中我们对内容做了大幅度的更新，一方面新增了对前沿主题的讲解如图神经网络（GCN,GAT等），另外一方面对核心部分（如凸优化、强化学习）加大了对理论层面上的深度。除此之外，也会包含科研方法论、元学习、解释性、Fair learning等系列主题。目前在全网上应该找不到类似体系化的课程。课程仍然采用全程直播授课模式。
那什么样的人适合来参加高阶班呢？
-
从事AI行业多年，但技术上总感觉不够深入，感觉在技术上遇到了瓶颈；
-
停留在使用模型/工具上，很难基于业务场景来提出新的模型；
-
对于机器学习背后的优化理论、前沿的技术不够深入；
-
计划从事尖端的科研、研究工作、申请AI领域研究生、博士生；
-
打算进入最顶尖的AI公司比如Google，Facebook，Amazon， 阿里，头条等；
-
读ICML，IJCAI等会议文章比较吃力，似懂非懂感觉，无法把每个细节理解透；
-
从优化角度理解机器学习
-
优化技术的重要性
-
常见的凸优化问题
-
线性规划以及Simplex Method
-
Two-Stage LP
-
案例：运输问题讲解
-
凸集的判断
-
First-Order Convexity
-
Second-order Convexity
-
Operations Preserve Convexity
-
二次规划问题（QP)
-
案例：最小二乘问题
-
项目作业：股票投资组合优化
-
常见的凸优化问题类别
-
半定规划问题
-
几何规划问题
-
非凸函数的优化
-
松弛化（Relaxation）
-
整数规划（Integer Programming)
-
案例：打车中的匹配问题
-
拉格朗日对偶函数
-
对偶的几何意义
-
Weak and Strong Duality
-
KKT条件
-
LP, QP, SDP的对偶问题
-
案例：经典模型的对偶推导及实现
-
对偶的其他应用
-
一阶与二阶优化技术
-
Gradient Descent
-
Subgradient Method
-
Proximal Gradient Descent
-
Projected Gradient Descent
-
SGD与收敛
-
Newton's Method
-
Quasi-Newton's Method
-
向量空间和图论基础
-
Inner Product, Hilbert Space
-
Eigenfunctions, Eigenvalue
-
傅里叶变化
-
卷积操作
-
Time Domain, Spectral Domain
-
Laplacian, Graph Laplacian
-
卷积神经网络回归
-
卷积操作的数学意义
-
Graph Convolution
-
Graph Filter
-
ChebNet
-
CayleyNet
-
GCN
-
Graph Pooling
-
案例：基于GCN的推荐
-
Spatial Convolution
-
Mixture Model Network (MoNet)
-
注意力机制
-
Graph Attention Network(GAT)
-
Edge Convolution
-
空间域与谱域的比较
-
项目作业：基于图神经网络的链路预测
-
拓展1: Relative Position与图神经网络
-
拓展2：融入Edge特征：Edge GCN
-
拓展3：图神经网络与知识图谱: Knowledge GCN
-
拓展4：姿势识别：ST-GCN
-
案例：基于图的文本分类
-
案例：基于图的阅读理解
-
Markov Decision Process
-
Bellman Equation
-
三种方法：Value，Policy，Model-Based
-
Value-Based Approach: Q-learning
-
Policy-Based Approach: SARSA
-
Multi-Armed bandits
-
Epsilon-Greedy
-
Upper Confidence Bound (UCB)
-
Contextual UCB
-
LinUCB & Kernel UCB
-
案例：Bandits在推荐系统的应用案例
-
Monte-Carlo Tree Search
-
N-step learning
-
Approximation
-
Reward Shaping
-
结合深度学习：Deep RL
-
项目作业：强化学习在游戏中的应用案例
-
Seq2seq模型的问题
-
结合Evaluation Metric的自定义loss
-
结合aspect的自定义loss
-
不同RL模型与seq2seq模型的结合
-
案例：基于RL的文本生成
第十四周：贝叶斯方法论简介
-
贝叶斯定理
-
从MLE, MAP到贝叶斯估计
-
集成模型与贝叶斯方法比较
-
计算上的Intractiblity
-
MCMC与变分法简介
-
贝叶斯线性回归
-
贝叶斯神经网络
-
案例：基于Bayesian-LSTM的命名实体识别
第十五周：主题模型
-
生成模型与判别模型
-
隐变量模型
-
贝叶斯中Prior的重要性
-
狄利克雷分布、多项式分布
-
LDA的生成过程
-
LDA中的参数与隐变量
-
Supervised LDA
-
Dynamic LDA
-
LDA的其他变种
-
项目作业：LDA的基础上修改并搭建无监督情感分析模型
-
Detailed Balance
-
对于LDA的吉布斯采样
-
对于LDA的Collapsed吉布斯采样
-
Metropolis Hasting
-
Importance Sampling
-
Rejection Sampling
-
大规模分布式MCMC
-
大数据与SGLD
-
案例：基于分布式的LDA训练
-
变分法核心思想
-
KL散度与ELBo的推导
-
Mean-Field变分法
-
EM算法
-
LDA的变分法推导
-
大数据与SVI
-
变分法与MCMC的比较
-
Variational Autoencoder
-
Probabilistic Programming
-
案例：使用概率编程工具来训练贝叶斯模型
-
模型的可解释性
-
解释CNN模型
-
解释序列模型
-
Meta Learing
-
Fair Learning
-
技术前瞻
-
线性回归以及优化实现
-
Two-Stage随机线性规划一下优化实现
-
Mixed Integer Linear Programming
-
提供approximation bounds
-
SVM，LP等模型
-
对偶技术
-
KKT条件
-
语法分析
-
图神经网络
-
命名识别，关系抽取
-
图神经网络
-
Heterogeneous Graph
-
Exploration & Exploitation
-
Epsilon Greedy
-
Upper Confidential Bounder
-
LineUCB
-
概率编程
-
主题模型
-
MCMC和变分法
-
二次规划
-
不同的正则使用
-
基于限制条件的优化
-
先验的引入
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！
-
计算机相关专业的本科/硕士/博士生，需要具备一定的机器学习基础
-
希望能够深入AI领域，为科研或者出国做准备
-
想在步入职场前，深入AI领域，并把自己培养成T字形人才
-
目前从事AI相关的项目工作，具有良好的机器学习基础
-
希望打破技术上的天花板，能够有能力去做模型上的创新
-
以后往资深工程师、研究员、科学家的职业路径发展
本篇文章来源于: 深度学习这件小事
本文为原创文章，版权归知行编程网所有，欢迎分享本文，转载请保留出处！
内容反馈