推荐一些出论文的好方向-量子位
允中发凹非寺量子位编辑
进入AI行业获得高薪只是职业生涯的开始。现在AI人才的结构高度化，对AI人才的要求也越来越高，如果对自己的要求不高，就会被快速的潮流所抛弃。
为了满足这个时代的需求，贪婪技术推出了“机器学习高端训练营”。这个引导营的目的很简单：希望培养更多的高级人才，以提高今后或现在从事研究或已经从事AI行业的朋友们的技术。
这次是第5次，追加了神经网络（GCN、GAT等）等最尖端主题的讲义，另一方面，核心部分（凸优化、强化学习等）大幅刷新了理论方面的深度讲义。除此之外，还包括研究方法论、元学习、解释性、公平学习等系列主题。目前，在网上应该找不到类似的体系化课程。课程现在还在直播。
那么高级班适合什么样的人呢
多年从事AI行业，但技术深度不足，陷入僵局。仅仅使用模型工具，很难提出基于商务场景的新模型。对于机器学习背后的优化理论，最先进的技术并没有充分渗透。计划从事尖端科研，研究工作，申请AI领域的研究生、博士生；他们希望加入谷歌、Facebook、亚马逊、阿里等最尖端AI企业。阅读ICML、IJCAI等会议文章很困难。明白了，不明白，连细节都不能理解。第一部分：凸优化与机器学习
第1周：凸优化的介绍
从优化的角度理解机器学习优化技术的重要性一般凸优化问题线性规划及Simplex methodtwo-stage LP示例：运输问题的解说
第2周：凸函数的说明。
确定凸集First-Order ConvexitySecond-Order ConvexityOperations Preserve Convexity二次计划问题（QP）示例：最小二乘问题项目作业：股票组合优化
第3周：凸优化问题
常见凸优化问题的类半定规划问题几何规划问题非凸函数优化松弛整数规划示例：出租车匹配问题
第4周：双对
拉格朗日双对函数双对的几何意义Weak and Strong DualityKKT条件LP，QP，SDP的双对问题的例子：经典模型的双对导出和双对实现的其他应用
第5周：优化技术
一次和二次优化技术Gradient DescentSubgradient MethodProximal Gradient DescentProjected Gradient DescentSGD和收敛牛顿是methodquasi-newton“s Method第二部分图神经网络
第六周：数学基础
矢量空间和图表理论的基础Inner Product，Hilbert SpaceEigenfunctions，Eigenvalue傅立叶变化卷积操作Time Domain，Spectral DomainLaplacian，Graph Laplacian
第7周：光谱区域的图形神经网络
卷积神经网络卷积操作的回归数学含义convolutiongraph filterchebnetcayleynetgcngraph pooling示例：基于gcn的推荐
第8周：空间领域的图表神经网络
空间ConvolutionMixture Model Net（MoNet）注意机制Graph Attention Network（GAT）Edge Convolution空间域与光谱域的比较项目工作：基于神经网络的链路预测
第9周：绘制神经网络的改进与应用
展开1：Relative Position和图神经网络展开2：Edge的特征：Edge GCN展开3：神经网络和知识地图：知识GCN展开4：手势识别：st-gcn事例：基于图的文本分类事例：基于图的阅读理解第3部分强化学习
第10周加强基础学习
市场决策流程Bellman Equation有三种方法：价值，策略，Model-basedvalue-basedApproach：q-learningpolicy-basedApproach：SARSA
第11周：多项目班迪兹
multi-armed banditsepsilon-greedyupper Confidence Bound （UCB）Contextual UCBLinUCB amp;是Kernel UCB的事例是Bandits在推荐系统的应用例子
第12周“路径计划”
第13周：自然语言处理中的RL
Seq2seq模型问题Evaluation Metric的自定义loss aspect的自定义loss不同RL模型和Seq2seq模型的组合示例：基于RL的文本生成部分4贝叶斯方法
第14回：贝叶斯方法论的概要
贝叶斯定理MLE，MAP到贝叶斯估计综合模型与贝叶斯方法的比较计算中的intractiblitymc和变分方法的概要贝叶斯线性回归贝叶斯神经网络的例子：用bayesian-lstm识别命名实体
第15周主题模型
生成模型和判别模型在隐藏变量模型贝叶斯中Prior的重要性狄立克分布、多项式分布LDA的生成过程LDA中的参数和隐藏变量Supervised LDADynamic LDALDA的其他变种项目的工作：基于LDA修改和构建无监督情绪分析模型。
第16周：MCMC方法。
用于Detailed Balance LDA的石膏采样用于LDA的石膏采样Metropolis HastingImportance SamplingRejection。Sampling大规模分布式MCMC大数据和SGLD案例：基于分布式的LDA培训
第17周：变分法
变分法的中心思想KL散度与ELBo推导mean-field变分法EM算法LDA变分法推导大数据与SVI变分法与MCMC的比较Variational Autoencoder Probabilistic Programming示例：使用概率编程工具训练贝叶斯模型
第18周：其他前沿主题
模型的可描述CNN模型的描述序列模型Meta LearingFair Learning技术的前向
课程其他详情可联系课程顾问取得追加课程顾问小姐姐微信名字，课程咨询
[2001]02事例和项目。
运输优化问题：是运筹学和优化领域最经典的问题之一，类似的思想广泛应用于仓储优化、匹配等问题。
知识如下。
实现线性回归和优化two-stage随机线性规划一次优化
配车中的路径规划问题：我们几乎每天都使用配车应用和外卖应用。这些应用程序的核心算法应用程序是乘客和车辆的匹配。
知识如下。
Mixed Integer Linear Programming提供approximation bounds
经典机器学习模型的双对推导与实现：通过此练习，我们将更深入地了解机器学习模型和双对的作用。
知识如下。
SVM、LP等型号双技术KKT条件
基于图形的神经网络文本分类：使用语法分析工具处理文本时，一个文本将成为图形，然后可以使用图形卷积神经网络进行分类。
知识如下。
语法分析图神经网络
基于图神经网络的阅读：一般阅读需要让机器阅读多篇文章，并对提出的问题给出答案。在阅读理解中提取重要的实体和关系变得重要，可以使用这些实体和关系来构建图。
相关知识点：
名称识别，关系提取图神经网络
Bandits在推荐系统中的应用实例：Bandits的应用在排序问题的应用中易于实现，具有计算效率高，解决冷启动问题，数据标记相对不要求（一般只将部分标记作为reward，例如用户点击）等优点。此案例说明bandits如何在新闻推荐系统中进行基于内容的推荐。
相关知识点：
Exploration amp； exploitationEpsilongreedyupperconfidentialbounderlineucb
使用概率编程工具训练贝叶斯模型。类似Pytorch，Tensorflow。概率编程工具提供贝叶斯模型的自动学习。以LDA等模型为例说明这些工具的使用。
相关知识点：
概率程序设计主题模型MCMC和变分法
优化股票投资组合：优化投资组合需要根据用户的风险承受能力来设计和组合资产。本项目在二次规划框架下，尝试必要的约束条件添加、必要的正则控制组合稀疏性、投资中的事前信息添加等必要的修改，最后根据预先定义的评价标准引导模型的学习
相关知识点：
基于二次计划的不同正则使用限制条件的优化预部署
课程其他详情，可联系课程顾问，添加课程顾问姐姐微信注册、课程咨询
03授课指导者
李文哲（贪婪科技创始人兼CEO，人工智能与知识地图领域专家，曾任金融科技独角兽公司首席科学家，美国亚马逊高级工程师，负责聊天人、量化交易、适应教育、金融知识地图等项目，在AAAI、KDD、AISTATS等顶级会议上超过15个发表论文，获得IAAI、IPDPS最高论文奖的USC、TAMU、南开博士学位、硕士学位、学部。
杨栋：香港城市大学博士、UC Merced博士之后，主要从事机械学习、图卷积、图嵌入的研究。在ECCV、Transon Cybernetics、Transon NSE、INDIN等国际会议和期刊上发表了几篇论文。
04现场授课、现场导出演示
区别于质量差的PPT讲授，指导教官现场推导，可以在学习中有清晰的思路，深入了解算法模型背后推导出的细节。更重要的是，要清楚地看到各种模型之间的关系！帮助你通六脉！
▲由来：LDA模型的说明
▲由来：Convex Optimization的说明
▲由来：Convergence Analysis的讲义
05课程（以前两周为例）06前两期学员背景07入学标准
1、理工科专业本科生、硕士生、博士生。2，现在在做AI的工作。3、具有优异的Python编程能力。4、具备一定的机器学习基础，零基础的学习者不太适合。
08申请注意事项
1、本课程为收费教育。2、本期仅限招募剩余名额。3、质量保证！正式开课后7天内，无条件全额退款。4、学习本课程需要一定的机器学习基础。
-结束了