|
文章参考：Github 编译：孙菁 １、DEEPNLP 自然语言处理中的深度学习 牛津大学 这是一门侧重于应用的课程，主要讲解了循环神经网络在分析和生成语音及文本方面的最新进展。本课程中引入了机器学习模型的数学定义，并推导出相应的最优化算法。本课程涵盖了神经网络在自然语言处理中的多种应用，如分析文本的潜在维度，将语音转录为文本，两种语言之间的翻译，以及自动回答问题等。本课程由Phil Blunsom主办并与DeepMind自然语言小组合作。 课程链接：https://github.com/oxford-cs-deepnlp-2017/ ２、CS20si 利用Tensorflow进行深度学习研究 斯坦福大学 本课程侧重于使用Tensorflow进行深度学习研究的基本用法和当前主流用法。本课程意在帮助学生理解Tensorflow计算图模型的用法，探索Tensorflow提供的各种函数，在特定深度学习问题下建立最优模型。课程学习后，学生会使用TensorFlow来搭建不同复杂程度的模型，从最简单的线性回归模型到卷积神经网络模型，以及用于处理词向量、翻译、字符识别等任务的循环神经网络模型。此外，学生还能够学习如何构建模型及如何管理实验程序。 课程链接：http://web./class/cs20si/index.html ３、COMS 4771 机器学习 哥伦比亚大学 本课程由Tony Jebara主讲，介绍了在机器学习中对生成和鉴别进行评估的问题。本课程将涵盖最小二乘法，高斯分布，线性分类，线性回归，极大似然，指数族分布，贝叶斯网络，贝叶斯推断，复合模型，EM算法，图模型，隐藏马尔科夫链，支持向量机，以及内核方法等。 课程链接：http://www.cs./%7Ejebara/4771/index.html ４、CS109 数据科学 哈佛大学 数据科学的目的在于对数据学习并做出有用的预测。本课程介绍了关于调查研究的五个关键方面：对数据进行整理、清理及采样以获得合适的数据集；对数据进行有效管理以便更快速更可靠地获取大数据；对探索性数据进行分析以产生假设和直觉认识；基于统计学方法（如回归和分类）进行预测；通过可视化、可解释的摘要来传达结果。 课程链接：http://cs109./2015/ ５、CS156 从数据中学习 加州理工学院 本课程是机器学习的导论，涵盖基础理论、算法及应用。机器学习是大数据的核心技术之一，在金融、医药、商业及其他科学领域也有广泛应用。机器学习使得计算系统能够通过对已观测到的数据进行学习来自适应地提高自身性能。如今机器学习已成为最热门的研究方向之一，在加州理工，由15个不同专业的本科生和研究生承担着这一领域的研究。本课程综合理论与实践，同时也包含数学内容及其他启发式的内容。 课程连接：https://work./telecourse.html ６、CS 224d自然语言处理中的深度学习斯坦福大学 在信息时代自然语言处理是最重要的技术之一。能够理解复杂的自然语言表达也是人工智能中至关重要的部分。在人们的生活中，自然语言处理的应用随处可见，这是因为我们人类与外界交互最多用的是语言：网页搜索、广告、邮件、自定义服务、语言翻译、放射线学报告等等。现实中有很多基础任务和机器学习模型都为自然语言处理的发展提供动力。近来，深度学习的方法在很多自然语言处理问题上都取得了很大的进步，这类模型通常需要训练一个单一的端到端的模型，并且不需要传统的复杂而繁重的特征工程。在本课程中，学生可以学习到如何实现、训练、可视化深度学习模型以及如何创造自己的模型。此外，本课程也对目前应用到自然语言处理的深度学习方法进行了深入的讨论。 课程链接：http://cs224d./ ７、CS229r大数据中的算法哈佛大学 大数据指的是大到单一主机的内存无法满足其需求的数据量，在互联网搜索、网络流量监测、机器学习、科学计算、信号处理以及其他几个方面，什么样的算法能高效地处理大数据就成为一个非常重要的问题。本课程涵盖了开发此类算法的严格的数学模型，同时也包含在这些模型中运算的算法的一些可证明的限制。 课程连接：http://people.seas./%7Eminilek/cs229r/fall15/index.html ８、CS231n视觉识别中的卷积神经网络斯坦福大学 在我们生活中计算机视觉已经无处不在，搜索、图像理解、应用程序、绘图、医药、无人机及自驾车等等中都或多或少地涉及到计算机视觉。本课程对深度学习架构进行了深入讲解，侧重于通过学习端到端模型来解决这些问题，尤其是图像分类问题。在为期十周的课程中，学生能够学习如何执行、训练及调试自己的神经网络模型，并能学习到当前计算机视觉的最先进的研究。 课程链接：http://cs231n./ ９、CS287高级机器人加州大学伯克利分校 本课程介绍了目前最先进的机器人背后的数学和算法知识。这些技术主要基于概率推理和最优化，概率推理和最优化也是人工智能系统中应用非常广泛的两个理论。因此，本课程的一个副作用就是可能会强化你对这两个理论的理解。 课程链接：https://people.eecs./~pabbeel/cs287-fa13/ １０、CS395T科学计算中的统计和离散方法德克萨斯大学 本课程是将现代统计技术应用于实际数据，特别是生物信息数据和大数据集的实践课程。 本课程的重点是有效地计算和简洁地编码，主要用MATLAB和C 实现。 课程涵盖的主题包括概率论和贝叶斯推理; 单变量分布 中心极限定理 随机偏差的产生; 尾（p值）测试; 多重假说校正; 经验分布; 模型拟合; 误差估计; 应变表; 多元正态分布; 系统发生聚类; 高斯混合模型; EM方法; 最大似然估计; 马可夫链；蒙特卡罗 ；主成分分析; 动态规划; 隐马尔可夫模型; 分类器性能指标; 支持向量机; 维纳过滤;小波; 多维插值; 信息理论等等。 课程链接：http://ipes/CS395T/ １１、CS4780机器学习康奈尔大学 本课程将介绍如何在万维网上构建以数据为中心的信息系统的技术，展示这些系统的实际应用，并通过研究公共科学（如数据新闻和开放政府）等交叉问题来讨论系统的设计及其在社会和政治中的应用。课程涉及讲座、阅读、每周作业，以及一个实践项目，学生在课程中将展示其建立的以数据为中心的Web信息系统。 · 课程链接：http://www.cs./courses/cs4780/2014fa/ １２、CS4786数据科学中的机器学习康奈尔大学 本课程是机器学习的入门课程，重点是数据建模及数据科学的相关方法和学习算法。 暂定课题如下。维度减少：如主成分分析（PCA）和奇异值分解（SVD），规范相关分析（CCA），独立分量分析（ICA），压缩感知，随机投影，信息瓶颈（会涵盖其中一些，但可能不是全部）。聚类：如k均值，高斯混合模型，期望最大化（EM）算法，基于链路的聚类（不期望覆盖分层或频谱聚类）概率建模主题：如图形模型，潜变量模型，推理（例如置信传播），参数学习。如果时间允许，我们也会讲解到回归问题。 课程链接：http://www.cs./courses/cs4786/2015sp/index.htm １３、CXV101凸优化斯坦福大学 本课程侧重于识别和解决实际应用中出现的凸优化问题。 涉及的课题包括以下内容。：凸集、函数和优化问题； 凸分析的基础；最小二乘法，线性和二次方程，半定规划，极小值，极限体积等问题； 最优条件，对偶理论，替代定理和应用；内点方法；信号处理，统计和机器学习，控制和机械工程，数字和模拟电路设计以及财务应用。 课程链接：https://lagunita./courses/Engineering/CVX101/Winter2014/info １４、DS-GA1008深度学习纽约大学 本课程在纽约大学数据科学中心进行，自开办以后日益流行。 本课最初由Yann Lecun先生引入，现在由Zaid Harchaoui主导。 它涵盖了在计算机视觉和自然语言处理中的机器学习理论、技术和技巧。 课后作业由Ｋａｇｇｌｅ用Lua语言编写。 课程链接：http://cilvr.cs./doku.php?id=deeplearning2015:schedule １５、EECS E6893 EECS E6895 高级数据分析＆高级大数据分析哥伦比亚大学 本课程是研究生（大数据处理、分析、可视化、存储以及应用等问题）的入门课程。通过学习，学生将获得分析大数据的能力。 课程链接：http://www.ee./%7Ecylin/course/bigdata/ １６、EECS E6984 计算机视觉和自然语言处理中的深度学习哥伦比亚大学 本课程属于研究生水平的研究课程，重点是视觉和自然语言处理问题中的深度学习技术。 本课概述了各种深度学习模型和技术，并对相关领域的最新进展进行了调查。 本课程使用Theano作为主要的编程工具。 尽管不需要GPU编程经验，本堂课需要学生积极的论文发表和较多的编程工作。 课程连接：http:///cu-deeplearning15/index.html １７、EE103矩阵方法导论斯坦福大学 本课程涵盖了矩阵和向量的基础理论、如何求解线性方程、最小二乘法及其他许多应用。 本课程会涵盖数学内容，但重点将是在诸如断层摄影、图像处理、数据拟合、时间序列预测和金融等应用中使用矩阵的方法。 EE103基于Stephen Boyd和Lieven Vandenberghe目前正在撰写的一本书的内容展开。 学生将使用一种叫Julia的新语言进行矩阵和向量的计算。 课程链接：http:///class/ee103/ １８、Info290通过Ｔｗｉｔｔｅｒ进行大数据分析加州大学伯克利分校信息学院 针对应用于Ｔｗｉｔｔｅｒ数据的算法和软件，在本课程中加州大学伯克利分校的教授和Twitter的工程师做出了详细的讲解。 课题包括情绪分析、大规模异常检测、实时搜索、信息扩散和爆发检测、社会流中的趋势检测、推荐算法和分布式计算的高级框架等应用于自然语言处理的算法。 课程链接：https://www.ischool./courses/info/290/abdt １９、机器学习：2014-2015牛津大学 本课程侧重于神经网络的学习，并利用Ｔｏｒｃｈ深度学习库（使用Lua语言）来进行课堂练习及作业。 主题包括：逻辑回归，反向传播，卷积神经网络，最大边缘学习，孪生网络，循环神经网络，LSTM，循环神经网络手写体识别，变分自动编码器，图像生成和强化学习。 课程链接：https://www.cs./people/nando.defreitas/machinelearning/ ２０、StatLearning统计学学习导论斯坦福大学 本课程是有监督学习的入门级课程，课程的重点是回归和分类方法。 课程大纲包括：线性和多项式回归，逻辑回归和线性判别分析; 交叉验证和引导，模型选择和正则化方法（ｒｉｄｇｅ和ｌａｓｓｏ）; 非线性模型，样条和广义加法模型; 基于树的方法，随机森林; 支持向量机。本课程将涵盖An Introduction to Statistical Learning, with Applications in R书中所有内容，同时该书也是Elements of Statistical Learning一书更为实用的版本。 课程链接：https://lagunita./courses/HumanitiesandScience/StatLearning/Winter2015/about ２１、10-601 机器学习卡耐基梅隆大学 本课程由机器学习领域的领先专家之一Tom Mitchell教授主讲，涵盖了各种角度的机器学习理论和实践算法。 本课程涵盖了诸如贝叶斯网络，决策树学习，支持向量机，统计学习方法，无监督学习和强化学习等主题。 课程涵盖理论知识，如归因偏差，PAC学习框架，贝叶斯学习方法，基于边际的学习和奥卡姆剃刀问题。 课后作业会有小的编程任务，如各种学习算法的实现实验。 本课程旨在使研究生级的学生能够深入了解机器学习的方法论、技术、数学和算法。 课程链接：http://www.cs./%7Eninamf/courses/601sp15/ ２２、10-708概率图模型卡耐基梅隆大学 人工智能、统计学、计算机系统、计算机视觉、自然语言处理及计算生物学中的许多问题，都可以被看作是通过局部信息来得到一个通用的全局结论。 概率图模型框架为这类问题提供了一个统一的观点，它可以通过大量的属性和数据集来进行有效的推理、决策和学习。 本研究生课程帮助学生学如何将图模型应用于复杂问题、如何解决图模型中的核心研究课题等。 课程链接：http://www.cs./%7Eepxing/Class/10708-14/index.html ２３、11-785深度学习康奈尔大学 本课程通过一系列的研讨会和实验来介绍课题，从最原始的问题探索，直到目前最先进的技术。 研讨会将涵盖深度学习的基础知识和基础理论及其适用范围，以及如何从大量数据中进行学习等最新问题。 讲义和笔记均可在本页面上找到。 课程链接：http://deeplearning.cs./ ２４、CS246大数据挖掘斯坦福大学 本课程将讨论用于分析大数据的数据挖掘算法和机器学习算法。 课程重点是使用Map Reduce作为创建可处理大数据的并行算法的工具。 课程链接：http://web./class/cs246/ ２５、CS276信息检索和网络搜索斯坦福大学 本课程涵盖了应用于文本信息系统的基础和高级技术：高效的文本索引; 布尔和向量空间检索模型; 评估和界面问题; Web搜索，包括爬网、基于链接的算法和Web元数据; 文本/ Web集群、分类; 文字挖掘等。 课程链接：http://web./class/cs276/index.html |
|
|
