贪心学院机器学习高阶训练营笔记分享

最近一直关注贪心学院的机器学习训练营，发现这门课讲的很有深度，不仅适合职场也适合科研人员，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。

下面我们看下大纲：

第一部分 凸优化与机器学习

第一周：凸优化介绍

1. 从优化角度理解机器学习
2. 优化技术的重要性
3. 常见的凸优化问题
4. 线性规划以及Simplex Method
5. Two-Stage LP
6. 案例：运输问题讲解

第二周：凸函数讲解

1. 凸集的判断
2. First-Order Convexity
3. Second-order Convexity
4. Operations Preserve Convexity
5. 二次规划问题（QP)
6. 案例：最小二乘问题
7. 项目作业：股票投资组合优化

第三周：凸优化问题

1. 常见的凸优化问题类别
2. 半定规划问题
3. 几何规划问题
4. 非凸函数的优化
5. 松弛化（Relaxation）
6. 整数规划（Integer Programming)
7. 案例：打车中的匹配问题

第四周：对偶（Duality）

1. 拉格朗日对偶函数
2. 对偶的几何意义
3. Weak and Strong Duality
4. KKT条件
5. LP, QP, SDP的对偶问题
6. 案例：经典模型的对偶推导及实现对偶的其他应用

第五周：优化技术

1. 一阶与二阶优化技术

2. Gradient Descent

3. Subgradient Method

4. Proximal Gradient Descent

5. Projected Gradient Descent

6. SGD与收敛

7. Newton's Method

8. Quasi-Newton's Method

第二部分 图神经网络

第六周： 数学基础

1. 向量空间和图论基础

2. Inner Product, Hilbert Space

3. Eigenfunctions, Eigenvalue

4. 傅里叶变化

5. 卷积操作

6. Time Domain, Spectral Domain

7. Laplacian, Graph Laplacian

第七周：谱域的图神经网络

1. 卷积神经网络回归

2. 卷积操作的数学意义

3. Graph Convolution

4. Graph Filter

5. ChebNet

6. CayleyNet

7. GCN

8. Graph Pooling

9. 案例：基于GCN的推荐

第八周：空间域的图神经网络

1. Spatial Convolution

2. Mixture Model Network (MoNet)

3. 注意力机制

4. Graph Attention Network(GAT)

5. Edge Convolution

6. 空间域与谱域的比较

7. 项目作业：基于图神经网络的链路预测

第九周：图神经网络改进与应用

1. 拓展1: Relative Position与图神经网络

2. 拓展2：融入Edge特征：Edge GCN

3. 拓展3：图神经网络与知识图谱: Knowledge GCN

4. 拓展4：姿势识别：ST-GCN

5. 案例：基于图的文本分类

6. 案例：基于图的阅读理解

第三部分 强化学习

第十周：强化学习基础

1. Markov Decision Process

2. Bellman Equation

3. 三种方法：Value，Policy，Model-Based

4. Value-Based Approach: Q-learning

5. Policy-Based Approach: SARSA

第十一周：Multi-Armed Bandits

1. Multi-Armed bandits

2. Epsilon-Greedy

3. Upper Confidence Bound (UCB)

4. Contextual UCB

5. LinUCB & Kernel UCB

6. 案例：Bandits在推荐系统的应用案例

第十二周：路径规划

1. Monte-Carlo Tree Search

2. N-step learning

3. Approximation

4. Reward Shaping

5. 结合深度学习：Deep RL

6. 项目作业：强化学习在游戏中的应用案例

第十三周: 自然语言处理中的RL

1. Seq2seq模型的问题

2. 结合Evaluation Metric的自定义loss

3. 结合aspect的自定义loss

4. 不同RL模型与seq2seq模型的结合

5. 案例：基于RL的文本生成

第四部分 贝叶斯方法

第十四周：贝叶斯方法论简介

1. 贝叶斯定理

2. 从MLE, MAP到贝叶斯估计

3. 集成模型与贝叶斯方法比较

4. 计算上的Intractiblity

5. MCMC与变分法简介

6. 贝叶斯线性回归

7. 贝叶斯神经网络

8. 案例：基于Bayesian-LSTM的命名实体识别

第十五周：主题模型

1. 生成模型与判别模型

2. 隐变量模型

3. 贝叶斯中Prior的重要性

4. 狄利克雷分布、多项式分布

5. LDA的生成过程

6. LDA中的参数与隐变量

7. Supervised LDA

8. Dynamic LDA

9. LDA的其他变种

10. 项目作业：LDA的基础上修改并搭建无监督情感分析模型

第十六周：MCMC方法

1. Detailed Balance

2. 对于LDA的吉布斯采样

3. 对于LDA的Collapsed吉布斯采样

4. Metropolis Hasting

5. Importance Sampling

6. Rejection Sampling

7. 大规模分布式MCMC

8. 大数据与SGLD

9. 案例：基于分布式的LDA训练

第十七周：变分法（Variational Method)

10. 变分法核心思想

11. KL散度与ELBo的推导

12. Mean-Field变分法

13. EM算法

14. LDA的变分法推导

15. 大数据与SVI

16. 变分法与MCMC的比较

17. Variational Autoencoder

18. Probabilistic Programming

19. 案例：使用概率编程工具来训练贝叶斯模型

需要资源的可以+微❤️(daydayit)