卑南主山资讯网
日期归档
国内新闻 当前位置:首页 > 国内新闻 > 正文

如何入门机器学习?这里有一份来自英伟达计算机科学家的课程清单

雷锋网络人工智能技术评论出版社,在机器学习入门和进步的过程中,如果你有一个好的学习指导,特别是学习视频,学习效果无疑会得到两倍的效果。基于他多年的教学和工程经验,负责NVIDIA人工智能应用团队的计算机科学家Chip Huyen编制了一系列适合顺序学习的机器学习课程。清单如下。

1、《Probability and Statistics(斯坦福概率和统计)》

课程地址

%5C

课程简介:

概率统计课程由四个主要单元组成,每个单元被细分为几个部分。

探索性数据分析:该单元分为两部分:分布检查分布和关系检查。一般方法是为参与者提供一个框架,以帮助他们在各种情况下进行数据分析时选择适当的描述方法。

数据制作:该单元分为两部分,采样和设计研究。

件概率,离散随机变量(包括二项分布)和连续随机变量(焦点是正常的)分布式)。该模块讨论了基于仿真的采样分布。作为简化的概率介绍,它不引入传统的概率处理,而是倾向于使用相对频率的经验方法,参与者可以看到OLI统计推理过程。

推理:本单元介绍推理逻辑和与主要形式相关的技术:点估计,区间估计和假设检验。该单元包括人口平均和人口比率的推断方法,两组和两种或更多种用于平均值比较的推理方法(方差分析),独立卡方检验和线性回归。该模块强化了探索性数据分析中引入的框架,以在各种数据分析场景中选择适当的推理方法。

整个课程有很多互动。这些包括:模拟,“钻孔”,整合语音和图形来解释程序或困难的概念。通过互动活动,学生练习如何解决问题,课程提供技巧和即时,有针对性的反馈。

学习

2、《Linear Algebra(MIT 线性代数)》by Gilbert Strang

课程地址

%5C

课程简介:

“线性代数”,如微积分,是高等数学的两门入门课程之一。它不仅是一门非常好的数学课程,而且是一门非常好的工具学科,在许多领域都有广泛的用途。本课程介绍矩阵理论和线性代数的基础知识,重点介绍与其他学科相关的基础知识,包括方程,向量空间,行列式,特征值,类似矩阵和正定矩阵。

目前,该课程还有网易公开课的中文版视频和课件。网易公开课地址:

公开课中有35个视频,前9个视频如下:

%5C

目前,该课程已经更新,学生可以放心学习

3、《CS231N: Convolutional Neural Networks for Visual Recognition(斯坦福卷积网络视觉识别)》

课程地址

课程简介:

CS231n的全称是CS231n:用于视觉识别的卷积神经网络,一种用于视觉识别的卷积神经网络。

本课程是斯坦福大学计算机视觉实验室提供的课程。这是2017年春季(4月至6月)的最新版本,由李飞飞教授及其两名博士生Justin Johnson和Serena Yeung领导。

%5C

CS231n课程资源主要包括讲座视频和PPT,客座讲座,讲义,课程作业和课程项目。其中:

n

讲座视频14课。每节课大约持续1小时,每节课都有PPT

客座讲座2课。每节课约1小时30分钟左右

关于讲座的总共16个笔记

课程作业3次

课程项目1

扩大阅读次数

如果您想了解计算机视觉,CS231n是入门的绝佳入门,也是计算机视觉和深度学习中最经典的课程之一。本课程适合绝大多数想要学习深度学习的人。

4、《Practical Deep Learning for Coders(fastai 程序员深度学习实战)》

课程地址

Ecoco老师将视频上传到kanbilibili或下载视频以了解:

%5C

课程简介:

这是该课程的2019年版本。该课程的老师是着名的杰里米霍华德。 Jeremy Howard是大数据竞赛平台Kaggle和Kaggle冠军的前任主席兼首席科学家。他是Singularity大学最年轻的教师,也是多家科技公司的创始人兼首席执行官。

快速AI由Jeremy Howard于2017年创建,提供一系列关于深度学习技巧的免费实践视频教程。本教程重点介绍在工程实践中有效的实用方法。这些方法由Jeremy Howard亲自体验和总结,是深度学习领域非常有用的教程。

5、《CS224N: Natural Language Processing with Deep Learning(斯坦福深度学习自然语言处理)》

课程地址: _

相关课件

%5C

课程简介:

该课程的主要讲师是自然语言处理领域的知名学者,包括着名的自然语言处理教科书Christopher Manning,如《统计自然语言处理基础》,《信息检索导论》,以及Salesforce的首席科学家Richard Socher。

自然语言处理(NLP)是信息时代最重要的技术之一。理解复杂的语言话语也是人工智能的重要组成部分。 NLP的应用无处不在。 NLP应用程序背后有大量基本任务和机器学习模型。这些模型通常可以通过单个端到端模型进行培训,而无需传统的任务特定工程。

在这个冬季课程中,学生将学习如何执行,训练,调试,可视化和创建自己的神经网络模型。本课程全面介绍适用于NLP的深度学习前沿研究。在模型方面,我们将介绍单词矢量表示,基于窗口的神经网络,递归神经网络,长期短期记忆模型,递归神经网络,卷积神经网络,以及一些涉及记忆组件的最新模型。

通过讲座和编程任务,学生将学习使用神经网络解决实际问题的基本技能。

6、《Machine Learning(Coursera 斯坦福机器学习课程)》

课程地址

%5C

课程简介

本课程的讲师是Andrew Ng,每个人都非常熟悉。在本课程中,您将学习最有效的机器学习技巧,您不仅可以学习理论基础,还可以获得快速将这些技术应用于新问题所需的实用知识。最后,您将了解硅谷与机器学习和创新中的人工智能相关的一些最佳实践。

本课程介绍机器学习,数据挖掘和统计模式识别。课程包括:

(i)监督学习(参数/非参数算法,支持向量机,内核,神经网络);

(ii)无监督学习(聚类,降维,推荐系统,深度学习);

(iii)机器学习的最佳实践(偏差/方差理论;机器学习和人工智能的创新过程);

该课程还将允许学生通过大量案例研究和应用学习如何应用学习算法来构建智能机器人(感知,控制),文本理解(网络搜索,反垃圾邮件),计算机视觉,医学信息学,音频。数据挖掘等领域。

7、《Probabilistic Graphical Models Specialization(Coursera 斯坦福概率图模型专项课程)》

课程地址:

%5C

课程简介:

该课程包括3门特殊课程:

n n

概率图模型1:表示

概率图模型(PGMS)是用于编码复杂域上的概率分布的丰富框架:在大量交互随机变量上的联合(多变量)分布。本课程描述了两种基本的PGM表示:基于有向图的贝叶斯网络和使用无向图的马尔可夫网络。

本课程讨论了这些表示的理论性质及其在实践中的应用。除了基本的PGM表示之外,本课程还提供了一些重要的扩展,允许更复杂的模型进行紧凑编码。

n n

概率图模型2:推理

如何使用PGM回答问题。

尽管PGM通常描述的是非常高维的分布,但其结构旨在有效地回答问题。本课程介绍了针对不同类型推理任务的精确算法和近似算法,并讨论了每种算法的最佳应用。该课程包括两个实践编程任务,实现最常见的精度和近似算法,并将其应用于实际问题。

n n

概率图模型3:学习

如何从一组样本数据中学习PGM。该课程讨论了有向和无向模型中参数估计的关键问题,以及定向模型的结构学习任务。该课程包括两个实践编程任务,实现两种常见的学习算法并将其应用于实际问题。

8、《Introduction to Reinforcement Learning(DeepMind 强化学习导论)》

课程地址

不能翻墙的同学可以在 bilibili 上学习这个课程

%5C

课程简介:

该课程由DeepMind发布,包含10个视频,即:

马尔可夫决策过程

动态规划

没有模型预测

没有模型控制

值函数逼近

战略梯度法

综合学习计划

探索和利用

案例研究:经典游戏中的强化学习

9、《Full Stack Deep Learning Bootcamp(全栈深度学习训练营)》

课程地址

%5C

课程简介

这是熟悉深度学习基础知识的开发人员的实践课程。在本课程中,开发人员将完成项目:如何部署端到端深度学习系统。

%5C

当然,开发人员还将学习有关生产实践的深入学习,包括

n n

解释问题并估算项目成本

查找,清理,标记和扩充数据

选择正确的框架和计算基础设施

对培训进行故障排除以确保可重复性

大规模模型部署

学生将完成一个项目,最终将计算机视觉和自然语言处理系统部署到生产中。还有机会测试您的知识并准备可选的书面面试。

为期两天的课程包含具体内容,如下所示:

%5C

%5C

课程结束后,您还可以参加笔试和面试来测试您的水平。

10、《How to Win a Data Science Competition: Learn from Top Kagglers(Coursera 跟顶级 Kagglers 学习如何赢取数据科学竞赛)》

课程地址

%5C

如果您想开始学习数据科学,那么本课程适合您!

参与模拟预测竞赛,帮助您获得实践经验,并提高信用,保险,营销,自然语言处理,销售预测和计算机视觉等所有领域的数据建模技能。在本课程中,您将学习如何分析和完成具有这种困难的预测建模任务。

完成本课程后,您将:

n n

了解如何有效完成预测建模竞赛并将学到的技能应用于实际任务

了解如何预处理数据并从各种数据(如文本和图像)生成新功能

学习高级特征工程技术

可以形成可靠的交叉验证方法

分析和解析数据的经验

掌握不同算法的知识,学习如何有效调整超参数并获得最佳性能

了解过去的锦标赛和代码,并学习如何阅读它们

本课程将教您如何获得高级解决方案,重点关注机器学习方法的实际应用,而不是其背后的理论基础。因此,学习本课程的前提是您必须具备机器学习的基础知识。

11.《BerkeleyX: CS188.1x Artificial Intelligence(伯克利 AI)》

课程地址

%5C

课程简介

该课程为期11周,从最基本的AI概念开始,然后转向搜索规划,博弈论,强化学习等。课程中有三个实际项目,即搜索规划,游戏树,决策理论和强化学习。完成课程后,您可以参加期末考试,通过考试的学生可以获得证书。

学习该课程所需的知识储备如下:

n n

编程:面向对象的编程,递归,Python或快速学习Python的能力

数据结构:列表和集(数组,哈希表),队列(堆栈,队列,优先级队列),树和图(遍历,背景)

数学:概率,随机变量和期望(离散),基本渐近复杂度(Big-O),基本计数(置换和组合)

n n n n n n n n n n n



卑南主山资讯网 版权所有© www.42ubik.com 技术支持:卑南主山资讯网 | 网站地图