0
点赞
收藏
分享

微信扫一扫

斯坦福、伯克利及MIT联合打-2020年DL/RL必学造6门经典


斯坦福、伯克利及MIT联合打-2020年DL/RL必学造6门经典_自然语言处理

    本资源整理了6门由斯坦福大学、加州大学伯克利分校、麻省理工学院讲授的深度学习经典课程,分别是深度学习入门、深度强化学习、深度学习与计算机视觉、无监督学习、多任务与元学习、深度学习与NLP。本资源将六门课程最新的视频完整课程视频整理在一起,分享给大家。

目录

    Introduction to Deep Learning

    MIT 6.S191: Introduction to Deep Learning | 2020

    CNNs for Visual Recognition

    CS231n: CNNs for Visual Recognition, Stanford | Spring 2019

    NLP with Deep Learning

    CS224n: NLP with Deep Learning, Stanford | Winter 2019

    Deep Reinforcement Learning

    CS285: Deep Reinforcement Learning, UC Berkeley | Fall 2019

    Unsupervised Learning

    CS294-158-SP20: Deep Unsupervised Learning, UC Berkeley | Spring 2020

    Multi-Task and Meta Learning

    Stanford CS330: Multi-Task and Meta Learning | 2019

    Introduction to Deep Learning

    MIT 6.S191: Introduction to Deep Learning | 2020

    麻省理工学院开授,讲解关于深度学习方法的入门课程,应用于计算机视觉、自然语言处理、生物学等等!学生将学习深度学习算法的基础知识,并获得在Tensorflow中构建神经网络的实践经验。课程最终测试是专题项目,并有来自员工和行业赞助商专业的反馈。学生需要具备微积分(即取导数)和线性代数(即矩阵乘法)基础知识。




斯坦福、伯克利及MIT联合打-2020年DL/RL必学造6门经典_机器翻译_02


     

    CNNs for Visual Recognition

    CS231n: CNNs for Visual Recognition, Stanford | Spring 2019

    计算机视觉在我们的社会中用于已经变得无处不在,在搜索、图像理解、应用、地图绘制、医学、无人机和自动驾驶汽车方面都有应用。这些应用的核心是视觉识别任务,如图像分类、定位和检测。神经网络(又称“深度学习”)方法的最新发展极大地提高了这些最先进的视觉识别系统的性能。本课程深入探讨深度学习体系结构的细节,重点是学习这些任务的端到端模型,尤其是图像分类。在为期10周的课程中,学生将学习实现、训练和调试自己的神经网络,并获得对计算机视觉前沿研究的详细理解。

斯坦福、伯克利及MIT联合打-2020年DL/RL必学造6门经典_人工智能_03

    NLP with Deep Learning

    CS224n: NLP with Deep Learning, Stanford | Winter 2019

    自然语言处理(NLP)是人工智能(AI)的一个重要部分,它模拟了人们如何共享信息。近年来,深度学习方法在许多自然语言处理任务中取得了很高的性能。在本课程中,学生将全面学习面向自然语言处理的前沿神经网络。

斯坦福、伯克利及MIT联合打-2020年DL/RL必学造6门经典_机器翻译_04

    Deep Reinforcement Learning

    CS285: Deep Reinforcement Learning, UC Berkeley | Fall 2019



斯坦福、伯克利及MIT联合打-2020年DL/RL必学造6门经典_自然语言处理_05


     

    Unsupervised Learning

    CS294-158-SP20: Deep Unsupervised Learning, UC Berkeley | Spring 2020

    本课程涵盖两个深度学习领域,其中不需要标注数据:深度生成模型和自监督学习。最近在生成模型方面的进展使得现实地模拟高维原始数据成为可能,例如自然图像、音频波形和文本语料库。在对看不见的任务进行微调方面,自监督学习的进展已经开始缩小监督表示学习和非监督表示学习之间的差距。本课程将涵盖这些主题的理论基础及其最新的应用。

斯坦福、伯克利及MIT联合打-2020年DL/RL必学造6门经典_人工智能_06

     

    Multi-Task and Meta Learning

    Stanford CS330: Multi-Task and Meta Learning | 2019

    虽然深度学习在监督和强化学习问题上取得了显著的成功,例如图像分类、语音识别和游戏,但是这些模型在很大程度上是专门针对它们被训练的单一任务的。本课程将涵盖有多任务需要解决的环境,并研究如何利用多任务产生的结构来更有效地学习。这包括:

    目标条件强化学习技术,利用所提供的目标空间的结构,以显著更快的速度学习许多任务

    元学习方法,旨在学习能够快速学习新任务的高效学习算法

    课程学习和终身学习,其中问题需要学习一系列任务,利用它们的共享结构来实现知识转移。

斯坦福、伯克利及MIT联合打-2020年DL/RL必学造6门经典_人工智能_07

举报

相关推荐

0 条评论