《终身学习、可解释ML、异常检测、对抗攻击》一览讲解,台大李宏毅老师2019机器学习课程讲义PPT

2019 年 4 月 13 日 专知

【导读】台大教授李宏毅的机器学习课程广受欢迎与好评。李老师的授课风格风趣幽默,通俗易懂,其课程内容中不仅有机器学习、深度学习的基础知识,也会介绍 ML 领域里的各种最新技术。最新的机器学习课程,李老师讲述了终身学习与可解释ML、异常检测、对抗攻击,值得观看学习。


2019机器学习课程

课程主页:

http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML19.html


《机器学习 2019》上课时间从 2019 年 2 月 21 日到 6 月 20 日,历时 4 个月的时间。2019 版《机器学习》课程目录


  • week 1:回归、梯度下降

  • week 2:误差来源、分类、逻辑回归

  • week 3:深度学习、反向传播、异常检测

  • week 4:CNN、Keras、对抗性攻击

  • week 5:训练深度模型、可解释 AI

  • week 6:RNN、Order LSTM

  • week 7:Ensemble

  • week 8:半监督式学习、迁移学习、终身学习

  • week 9:元学习

  • week 10:seq2seq、Transformer

  • week 11:Few/Zero shot learning

  • week 12:非监督式学习、BERT

  • week 13:强化学习、强化学习进阶

  • week 14:网络压缩

  • week 15:GAN、GLOW

  • week 16:无监督域适应

  • week 17:为什么需要深度学习、深度学习理论

  • 课程资料链接:http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML19.html

  • 课程视频(Bilibili):https://www.bilibili.com/video/av46561029/

  • YouTube 链接:https://www.youtube.com/playlist?list=PLJV_el3uVTsOK_ZK5L0Iv_EQoL1JefRL4


李宏毅(Hung-yi Lee)目前任台湾大学电机工程学系和电机资讯学院的助理教授,他曾于 2012 年获得台湾大学博士学位,并于 2013 年赴麻省理工学院(MIT)计算机科学和人工智能实验室(CSAIL)做访问学者。他的研究方向主要是机器学习(深度学习)和语音识别。


【PPT便捷下载】

请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“ML2019”就可以获取《终身学习、可解释ML、异常检测、对抗攻击》的课程讲义下载链接~ 



终身学习 lifelong learning


能不能每次作业都训练同一个类神经网络?

终身学习:持续学习,增量学习,无止境学习

可解释机器学习


可解释机器学习

我们为什么需要可解释ML

异常检测


问题定义:


应用:

对抗攻击



动机

我们想做什么?



-END-

专 · 知

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎登录www.zhuanzhi.ai,注册登录专知,获取更多AI知识资料!

欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询!

请加专知小助手微信(扫一扫如下二维码添加),加入专知人工智能主题群,咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成!530+位同学在学习,现在报名,限时优惠!网易云课堂人工智能畅销榜首位!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

登录查看更多
22

相关内容

在数据挖掘中,异常检测(英语:anomaly detection)对不符合预期模式或数据集中其他项目的项目、事件或观测值的识别。通常异常项目会转变成银行欺诈、结构缺陷、医疗问题、文本错误等类型的问题。异常也被称为离群值、新奇、噪声、偏差和例外。 特别是在检测滥用与网络入侵时,有趣性对象往往不是罕见对象,但却是超出预料的突发活动。这种模式不遵循通常统计定义中把异常点看作是罕见对象,于是许多异常检测方法(特别是无监督的方法)将对此类数据失效,除非进行了合适的聚集。相反,聚类分析算法可能可以检测出这些模式形成的微聚类。 有三大类异常检测方法。[1] 在假设数据集中大多数实例都是正常的前提下,无监督异常检测方法能通过寻找与其他数据最不匹配的实例来检测出未标记测试数据的异常。监督式异常检测方法需要一个已经被标记“正常”与“异常”的数据集,并涉及到训练分类器(与许多其他的统计分类问题的关键区别是异常检测的内在不均衡性)。半监督式异常检测方法根据一个给定的正常训练数据集创建一个表示正常行为的模型,然后检测由学习模型生成的测试实例的可能性。
【机器学习课程】Google机器学习速成课程
专知会员服务
161+阅读 · 2019年12月2日
【课程】概率图模型,卡内基梅隆大学邢波
专知会员服务
67+阅读 · 2019年11月4日
中文课程!台大李宏毅机器学习公开课2019版上线
机器学习算法与Python学习
7+阅读 · 2019年3月18日
Arxiv
19+阅读 · 2018年10月25日
Arxiv
4+阅读 · 2018年3月23日
VIP会员
Top
微信扫码咨询专知VIP会员