扫描关注，提前了解课程动态
开课信息
Course Info
学员评价
Experienced Project Reviewers
导语
以最专业的教学团队传递知识，以最负责的做事方式服务学员，愿和你在贪心相遇。一起收获一份知识、一段时光、一群朋友！
导师介绍
Learn With the Best
课程研发团队
Course Instructor Board
-
周景阳前百度资深工程师人工智能领域专家、百度人工智能事业群资深工程师、多家一线公司技术负责人和技术顾问。业内公认技术工程、数据分析、大数据等多领域专家。 -
史源人工智能基金管理人10多年人工智能领域相关研发和研究经历，负责过多项人工智能基金项目。美国南加州大学人工智能博士，卡内基梅隆大学机器人系访问学者。 -
蓝振忠Google人工智能科学家现任Google科学家，美国卡耐基梅隆人工智能博士，曾任美国智能监控公司的首席科学家， 对视频和多媒体的智能分析有深入研究。 -
Hancheng美国亚马逊总部资深科学家负责Amazon Alexa的智能化以及个性化的研发与应用，曾任职于美国ebay以及NEC北美实验室， 拥有美国Texas A&M大学的博士学位。
课程亮点
What You Will Learn
-
双师教学 顶级团队一线技术专家亲自授课；同时为学员配备了经验丰富的助教团队，均毕业于美国顶尖高校。 -
金牌助教 24h辅导博士助教团队提供在线答疑，代码审核，帮助学员快速解决问题，消灭“拦路虎”，消除盲点，不怕学不会！ -
产学结合 真实案例课程涵盖10个实习项目+Cap-stone项目，且侧重技能不同，学员的知识体系会更加全面。 -
小班精学 全程监督小班授课，小群互动，班主任日日陪伴，全程督学，关注你点滴进步，不怕拖延症。 -
Capstone学员有机会选择并完成自己感兴趣的课题，无论应用性的还是学术性的课题，导师助教团队都可以很好地指导你。或许这样的一个项目可以让你实现拥有顶会论文的目标。 -
最专业、最体系化的课程从传统ML技术到基于深度学习的ML技术，帮助学员理解技术深层次的本质关系。 -
前沿顶会论文深度解读我们将邀请国内外的AI博士与资深工程师，来对NIPS, ICM-L，ACL, EMNLP等AI会议的热点paper进行详解与讨论。 -
就业面试指导，就业推荐在课程末期，导师助教团队会给学员提供个性化就业面试指导。成绩优异者，还会帮你内推一线AI企业的岗位。
适合什么样的人群
How do I know if this program is right for me?
有机器学习基础，有较强的编程能力，对数据结构与算法比较熟悉
之后想从事AI相关研究工作，想申请国外名校读相关专业的硕士/博士
对机器学习领域最新知识体系深入学习，想转型到一线做AI工程师
已经在AI领域从事工作，但技术上感觉遇到了瓶颈，想进一步突破
您将获得
You will get
掌握机器学习模型原理、数据处理、模型调参优化、前沿学术方向探索等机器学习工程师核心技能
深入理解凸优化、集成模型、序列模型、强化学习、深度学习、增强学习等机器学习知识模块
掌握如GAN、Policy Gradient、LDA、Seq2Seq、LSTM、Bert等经典高难度机器学习、深度学习模型
掌握人脸识别、语音识别，推荐系统、机器翻译、强化学习系统、文本风格迁移等实战项目
项目列表
Project-Based Learning
人脸识别
基于Kernel PCA的思路, 实现 Kernel LDA(Linear Discriminant Analysis). 使用Kernel LDA进行人脸识别
语音识别
基于HMM和GMM从零搭建一个语音识别系统，这个语音识别系统可用于IOT的场景中来识别各类命令。在项目中也需要使用常见的语音的特征如MFCC
实时视频人脸美化
在基于CNN人脸关键点检测的基础上, 实现一个人脸美化的算法, 给一副照片中的人脸加上墨镜
机器翻译
从零搭建一个中英机器翻译系统。项目中需要使用LSTM以及注意力机制，并结合Bert等词向量技术
推荐系统
使用Gradient Boost Machine预测用户点击广告的概率CTR, 用于广告推荐系统
情感分析
基于LDA改造版模型的情感分析。在此项目中需要完成：
1. 改造原始的LDA模型。
2. 对于改造后的模型做求解
3. 实现模型并识别文本中的情感。
打乒乓球
使用Policy Gradient 的思路, 实现基于深度神经网络的强化学习系统, 让系统能够在乒乓球游戏中战胜机器
文本风格迁移
基于VAE搭建一个文本风格迁移模型。对于给定的一句话，按照一定的风格去改造文本
试学视频
Try It Out
课程大纲
Syllabus
1机器学习基础与凸优化
实战案例
基于QP的股票投资组合策略设计
基于LP的短文本相似度计算
基于KNN的图像识别
核心知识点
KNN算法，Weighted KNN算法
Approximated KNN算法
KD树，近似KD树
Locality Sensitivity Hashing
线性回归模型
Bias-Variance Trade-off
正则的使用：L1, L2, L-inifity Norm
LASSO， Coordinate Descent，ElasticNet
逻辑回归与最大似然
随机梯度下降法与小批量梯度下降法
多元逻辑回归模型
凸集，凸函数
凸函数与判定凸函数
Linear/Quadratic/Integer Programming
对偶理论，Duality Gap，KKT条件
Projected Gradient Descentg
迭代式算法的收敛分析
2SVM与集成模型
实战案例
基于XGBoost的金融风控模型
基于PCA和Kernel SVM的人脸识别
基于Kernal PCA和Linear SVM的人脸识别
核心知识点
Max-Margin的方法核心思想
线性SVM的一步步构建
Slack Variable以及条件的松弛
SVM的Dual Formulation
Kernelized SVM
不同核函数的详解以及使用
核函数设计以及Mercer's Theorem
Kernelized Linear Regression
Kernelized PCA, Kernelized K-means
集成模型的优势
Bagging, Boosting, Stacking
决策树以及信息论回顾
随机森林，完全随机森林
基于残差的提升树训练思想
GBDT与XGBoost
集成不同类型的模型
VC理论
3无监督学习与序列模型
实战案例
基于HMM和GMM的语音识别
基于聚类分析的用户群体分析
基于CRF的命名实体识别
核心知识点
K-means算法， K-means++
EM算法以及收敛性
高斯混合模型以及K-means
层次聚类算法
Spectral Clustering
DCSCAN
隐变量与隐变量模型
HMM的应用以及参数
条件独立、D-separation
基于Viterbi的Decoding
Forward/Backward算法
基于EM算法的参数估计
有向图与无向图模型区别
Log-Linear Model
Feature Function的设计
Linear CRF以及参数估计
4深度学习
实战案例
基于Seq2Seq和注意力机制的机器翻译
基于TransE和GCN的知识图谱推理
基于CNN的人脸关键点检测
核心知识点
神经网络与激活函数
BP算法
卷积层、Pooling层、全连接层
卷积神经网络
常用的CNN结构
Dropout与Bath Normalization
SGD、Adam、Adagrad算法
RNN与梯度消失
LSTM与GRU
Seq2Seq模型与注意力机制
Word2Vec, Elmo, Bert, XLNet
深度学习中的调参技术
深度学习与图嵌入(Graph Embedding)
Translating Embedding (TransE)
Node2Vec
Graph Convolutional Network
Structured Deep Network Embedding
Dynamic Graph Embedding
5推荐系统与在线学习
实战案例
使用Gradient Boosting Tree做基于 interaction 与 content的广告推荐
使用深度神经网络做基于interaction 与 content的推荐
LinUCB做新闻推荐, 最大化rewards
核心知识点
基于内容的推荐算法
基于协同过滤的推荐算法
矩阵分解
基于内容的Gradient Tree
基于深度学习的推荐算法
冷启动问题的处理
Exploration vs Exploitation
Multi-armed Bandit
UCB1 algorithm，EXP3 algorithm
Adversarial Bandit model
Contexulalized Bandit
LinUCB
6贝叶斯模型
实战案例
基于Bayesian LSTM的文本分析
使用无参主题模型做文本分类
基于贝叶斯模型实现小数量的图像识别
核心知识点
主题模型（LDA) 以及生成过程
Dirichlet Distribution, Multinomial Distribution
蒙特卡洛与MCMC
Metropolis Hasting与Gibbs Sampling
使用Collapsed Gibbs Sampler求解LDA
Mean-field variational Inference
使用VI求解LDA
Stochastic Optimization与Bayesian Inference
利用SLGD和SVI求解LDA
基于分布式计算的贝叶斯模型求解
随机过程与无参模型（non-parametric)
Chinese Retarant Process
Stick Breaking Process
Stochastic Block Model与MMSB
基于SGLD与SVI的MMSB求解
Bayesian Deep Learning模型
Deep Generative Model
7增强学习与其他前沿主题
实战案例
基于GAN的图像生成
基于VAE的文本Style Transfer
可视化机器翻译系统
核心知识点
Policy Learning
Deep RL
Variational Autoencoder(VAE)与求解
隐变量的Disentangling
图像的生成以及Disentangling
文本的生成以及Disentangling
Generative Adversial Network(GAN)
CycleGan
深度学习的可解释性
Deconvolution与图像特征的解释
Layer-wise Propagation
Adversial Machine Learning
Purturbation Analysis
Fair Learning
课程大纲
Syllabus
1机器学习基础与凸优化
实战案例
基于QP的股票投资组合策略设计
基于LP的短文本相似度计算
基于KNN的图像识别
核心知识点
KNN算法，Weighted KNN算法
Approximated KNN算法
KD树，近似KD树
Locality Sensitivity Hashing
线性回归模型
Bias-Variance Trade-off
正则的使用：L1, L2, L-inifity Norm
LASSO， Coordinate Descent，ElasticNet
逻辑回归与最大似然
随机梯度下降法与小批量梯度下降法
多元逻辑回归模型
凸集，凸函数
凸函数与判定凸函数
Linear/Quadratic/Integer Programming
对偶理论，Duality Gap，KKT条件
Projected Gradient Descentg
迭代式算法的收敛分析
2SVM与集成模型
实战案例
基于XGBoost的金融风控模型
基于PCA和Kernel SVM的人脸识别
基于Kernal PCA和Linear SVM的人脸识别
核心知识点
Max-Margin的方法核心思想
线性SVM的一步步构建
Slack Variable以及条件的松弛
SVM的Dual Formulation
Kernelized SVM
不同核函数的详解以及使用
核函数设计以及Mercer's Theorem
Kernelized Linear Regression
Kernelized PCA, Kernelized K-means
集成模型的优势
Bagging, Boosting, Stacking
决策树以及信息论回顾
随机森林，完全随机森林
基于残差的提升树训练思想
GBDT与XGBoost
集成不同类型的模型
VC理论
3无监督学习与序列模型
实战案例
基于HMM和GMM的语音识别
基于聚类分析的用户群体分析
基于CRF的命名实体识别
核心知识点
K-means算法， K-means++
EM算法以及收敛性
高斯混合模型以及K-means
层次聚类算法
Spectral Clustering
DCSCAN
隐变量与隐变量模型
HMM的应用以及参数
条件独立、D-separation
基于Viterbi的Decoding
Forward/Backward算法
基于EM算法的参数估计
有向图与无向图模型区别
Log-Linear Model
Feature Function的设计
Linear CRF以及参数估计
4深度学习
实战案例
基于Seq2Seq和注意力机制的机器翻译
基于TransE和GCN的知识图谱推理
基于CNN的人脸关键点检测
核心知识点
神经网络与激活函数
BP算法
卷积层、Pooling层、全连接层
卷积神经网络
常用的CNN结构
Dropout与Bath Normalization
SGD、Adam、Adagrad算法
RNN与梯度消失
LSTM与GRU
Seq2Seq模型与注意力机制
Word2Vec, Elmo, Bert, XLNet
深度学习中的调参技术
深度学习与图嵌入(Graph Embedding)
Translating Embedding (TransE)
Node2Vec
Graph Convolutional Network
Structured Deep Network Embedding
Dynamic Graph Embedding
5推荐系统与在线学习
实战案例
使用Gradient Boosting Tree做基于 interaction 与 content的广告推荐
使用深度神经网络做基于interaction 与 content的推荐
LinUCB做新闻推荐, 最大化rewards
核心知识点
基于内容的推荐算法
基于协同过滤的推荐算法
矩阵分解
基于内容的Gradient Tree
基于深度学习的推荐算法
冷启动问题的处理
Exploration vs Exploitation
Multi-armed Bandit
UCB1 algorithm，EXP3 algorithm
Adversarial Bandit model
Contexulalized Bandit
LinUCB
6贝叶斯模型
实战案例
基于Bayesian LSTM的文本分析
使用无参主题模型做文本分类
基于贝叶斯模型实现小数量的图像识别
核心知识点
主题模型（LDA) 以及生成过程
Dirichlet Distribution, Multinomial Distribution
蒙特卡洛与MCMC
Metropolis Hasting与Gibbs Sampling
使用Collapsed Gibbs Sampler求解LDA
Mean-field variational Inference
使用VI求解LDA
Stochastic Optimization与Bayesian Inference
利用SLGD和SVI求解LDA
基于分布式计算的贝叶斯模型求解
随机过程与无参模型（non-parametric)
Chinese Retarant Process
Stick Breaking Process
Stochastic Block Model与MMSB
基于SGLD与SVI的MMSB求解
Bayesian Deep Learning模型
Deep Generative Model
7增强学习与其他前沿主题
实战案例
基于GAN的图像生成
基于VAE的文本Style Transfer
可视化机器翻译系统
核心知识点
Policy Learning
Deep RL
Variational Autoencoder(VAE)与求解
隐变量的Disentangling
图像的生成以及Disentangling
文本的生成以及Disentangling
Generative Adversial Network(GAN)
CycleGan
深度学习的可解释性
Deconvolution与图像特征的解释
Layer-wise Propagation
Adversial Machine Learning
Purturbation Analysis
Fair Learning
常见问题
FAQS
问参加本次课程有什么要求吗？
答本次课程适合具备一定编程基础的开发人员，以及对自然语言处理和人工智能有兴趣的践行者。
问学员会有实际实操的机会？
答这是本课程设计的核心，课程设计以理论+实践的方式，带你实战典型的行业应用。
问本课程怎么答疑？
答本课程会配有专门助教团队，对于学员的问题，及时提供在线答疑。