扫描微信二维码,抢先获得课程优惠价格

x
开课信息
Course Info

剩余名额【50席】

第一期 10月16日

越早报名优惠越多

开课后7天无条件退款、支持分期

¥13998福利价
原价¥15998

第一期 10月16日

越早报名优惠越多

开课后7天无条件退款、支持分期

点击了解课程详情

剩余名额【50席】

第二期 1月14日

越早报名优惠越多

开课后7天无条件退款、支持分期

¥13998福利价
原价¥15998

第二期 1月14日

越早报名优惠越多

开课后7天无条件退款、支持分期

点击了解课程详情
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
李文哲
自然语言处理、知识图谱领域专家
人工智能、知识图谱领域专家。曾任凡普金科集团(爱钱进) 的首席数据科学家、 北京会牛科技的首席科学家兼投资总 监 、美国亚马逊和高盛的高级工程师,负责过金融知识图谱、聊天机器人、量化交易、自适应教育系统等核心项目,并兼任 多家创业公司的技术顾问。美国南加州大学博士,荷兰阿姆斯特丹访问学生,先后在AAAI、KDD、AISTATS、CHI、IAAI等 国际顶会议上发表过15篇以上论文、并荣获IAAI、IPDPS-Parlearning、CISC-W 的Best Paper Award。
袁源
机器学习、推荐系统专家
美国微软总部和美国亚马逊总部的资深推荐系统工程师、主导多款核心推荐系统的研发,是人工智能、分布式系统、云计算方面的专家。 博士毕业于美国新泽西理工,拥有14年人工智能、推荐系统、自然语言处理、数字图像和视频处理项目经验。曾师从中国科学院王守觉院士从事人脸识别研究、共同发表论文。在美国博士期间,主要研究NASA(美国航天局)支持的基于人工智能的空间天气预测项目。先后在AI相关会议和杂志上发表过15篇以上的论文。
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(付费项目)
    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NLP技术到基于深度学习的NLP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顶级会议的热点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

  • 推荐相关课程
    Related AI Courses

    如果NLP训练营无法满足你的需求,来看看其他相关课程吧,总有一款适合你

    常见问题
    FAQS
  • 参加本次课程有什么要求吗?

    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。

  • 学员会有实际实操的机会?

    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。

  • 本课程怎么答疑?

    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。