斯坦福CS236-深度生成模型2019-全套课程资料分享

2019 年 8 月 20 日 深度学习与NLP
斯坦福CS236-深度生成模型2019-全套课程资料分享

    生成模型广泛应用于人工智能和机器学习的许多子领域。关于深度生成模型参数训练的最新进展是使用随机优化的方法,使得能够对包括图像、文本和语音在内的复杂高维数据进行可伸缩的建模。本课程将研究深度生成模型的概率基础和学习算法,包括变分自动编码器(VAE)、生成对抗网络(GAN)、自回归模型和标准化流模型(Normalizing flow models)。本课程还将讨论从深度生成模型中获益的应用领域,包括计算机视觉、语音和自然语言处理、图形挖掘和强化学习。

文末附本课程PPT及参考数据下载地址。


课程基础

    学习CS 221、228、229或230中的至少一个门课程,学习机器的基本知识。学生将使用计算和数学模型,并且应该有概率和微积分的基本知识。要求精通一些编程语言,最好是Python语言。


课程讨论和课程笔记地址

   论坛:https://www.piazza.com/stanford/fall2018/cs236

课程笔记:https://deepgenerativemodels.github.io/notes/index.html


参考书籍

    Deep Learning by Ian Goodfellow, Yoshua Bengio, Aaron Courville

下载地址:https://www.deeplearningbook.org/


课程目录


课程PPT及参考数据下载地址

    https://github.com/SKKSaikia/CS236_DGM

往期精品内容推荐

4天挑战20000单词,年薪百万的英语大神带你逆袭,快来!

中文自然语言处理开放任务介绍、数据集、当前最佳结果分享

6部高分美剧,边看边提升口语,坚持每天学习,返200奖学金免费学!

8月最新-《可解释机器学习-Christoph Molnar》-新书分享

基于GPT-2和百万源码训练实现全语言编程自动补全

深度学习基础系列之2019深度学习暑期课程视频分享(中英字幕)

UC Berkeley-2019-《深度学习与应用自然语言处理》实战课程分享

斯坦福NLP组-2019-《CS224n: NLP与深度学习》-分享

BatchNorm有效性原理解析

精品教材-中文版《Tensorflow内核剖析》分享

吴恩达-中文完整版《Mechine Learning Yearning》分享

历史最全-16个推荐系统开放公共数据集整理分享

一文告诉你Adam、AdamW、Amsgrad区别和联系,助你实现Super-convergence的终极目标

基于深度学习的文本分类6大算法-原理、结构、论文、源码打包分享

扫描下方二维码可以订阅哦!

DeepLearning_NLP

深度学习与NLP

       商务合作请联系微信号:lqfarmerlq

登录查看更多
11

相关内容

深度生成模型基本都是以某种方式寻找并表达(多变量)数据的概率分布。有基于无向图模型(马尔可夫模型)的联合概率分布模型,另外就是基于有向图模型(贝叶斯模型)的条件概率分布。前者的模型是构建隐含层(latent)和显示层(visible)的联合概率,然后去采样。基于有向图的则是寻找latent和visible之间的条件概率分布,也就是给定一个随机采样的隐含层,模型可以生成数据。 生成模型的训练是一个非监督过程,输入只需要无标签的数据。除了可以生成数据,还可以用于半监督的学习。

本文为大家带来了一份斯坦福大学的最新课程CS236——深度生成模型,目前更新到第一课,感兴趣的同学可以多多关注,跟随学习。

生成式模型被广泛应用到人工智能和机器学习的诸多领域当中。最近,通过结合随机梯度下降的优化方法,使用深度神经网络参数化这些模型所取得的进展,已经使得对于包括图像,文本和语音在内的复杂,高维度数据建模成为可能。在本次课程中,我们将要学习深度生成式模型的概率基础和学习算法,包括自动编码器(AE)的各种变体,生成式对抗网络,自回归模型和标准化流模型(normalizing flow models)。本课程还将讨论从深度生成式模型中获益的应用领域,例如计算机视觉,语音,自然语言处理,图挖掘和强化学习。

成为VIP会员查看完整内容
0
28
小贴士
相关VIP内容
专知会员服务
44+阅读 · 2020年6月20日
【哈佛《CS50 Python人工智能入门》课程 (2020)】
专知会员服务
70+阅读 · 2020年4月12日
Yann Lecun 纽约大学《深度学习(PyTorch)》课程(2020)PPT
专知会员服务
95+阅读 · 2020年3月16日
专知会员服务
50+阅读 · 2020年1月15日
谷歌机器学习速成课程中文版pdf
专知会员服务
88+阅读 · 2019年12月4日
吴恩达新书《Machine Learning Yearning》完整中文版
专知会员服务
81+阅读 · 2019年10月27日
相关论文
Teacher-Student Training for Robust Tacotron-based TTS
Rui Liu,Berrak Sisman,Jingdong Li,Feilong Bao,Guanglai Gao,Haizhou Li
4+阅读 · 2019年11月7日
Knowledge Flow: Improve Upon Your Teachers
Iou-Jen Liu,Jian Peng,Alexander G. Schwing
4+阅读 · 2019年4月11日
Yu Cheng,Mo Yu,Xiaoxiao Guo,Bowen Zhou
10+阅读 · 2019年1月26日
Conditional BERT Contextual Augmentation
Xing Wu,Shangwen Lv,Liangjun Zang,Jizhong Han,Songlin Hu
8+阅读 · 2018年12月17日
A General and Adaptive Robust Loss Function
Jonathan T. Barron
7+阅读 · 2018年11月5日
Antoine J. -P. Tixier
10+阅读 · 2018年8月30日
Yong Wang,Xiao-Ming Wu,Qimai Li,Jiatao Gu,Wangmeng Xiang,Lei Zhang,Victor O. K. Li
8+阅读 · 2018年7月8日
Jia-Hong Huang,Cuong Duc Dao,Modar Alfadly,C. Huck Yang,Bernard Ghanem
4+阅读 · 2018年5月26日
Marvin T. T. Teichmann,Roberto Cipolla
7+阅读 · 2018年5月15日
Top