【导读】本课程探讨现代人工智能基础上的概念和算法,深入探讨游戏引擎、手写识别和机器翻译等技术的思想。通过实践项目,学生在将图形搜索算法、分类、优化、强化学习以及其他人工智能和机器学习的主题融入到他们自己的Python程序中,从而获得图形搜索算法、分类、优化和强化学习背后的理论知识。课程结束时,学生将获得机器学习库的经验,以及人工智能原理的知识,使他们能够设计自己的智能系统。

目录

  1. 搜索(Search)
  2. 知识(Knowledge)
  3. 不确定性(Uncertainty)
  4. 优化(Optimization)
  5. 学习(Learning)
  6. 神经网络(Neural Networks)
  7. 语言(Language)

讲师简介

David J. Malan是Gordon McKay工程与应用科学学院的计算机科学实践教授,也是哈佛大学教育研究生院的教员。他于1999年、2004年和2007年分别获得哈佛大学计算机科学学士学位、硕士学位和博士学位。他教授计算机科学50课程,也被称为CS50,这是哈佛大学最大的课程,耶鲁大学最大的课程之一,也是edX最大的MOOC课程,注册人数超过150万。他还在哈佛商学院、哈佛法学院、哈佛延伸学院和哈佛暑期学院任教。他所有的课程都是免费开放课程。

个人链接:https://cs.harvard.edu/malan/

我是布赖恩,哈佛大学继续教育学院的资深导师。我于2019年从哈佛大学毕业,获得了计算机科学和语言学学位。我目前在哈佛大学计算机科学导论课程CS50的团队中工作,在那里我专注于教学、课程开发、拓展和软件工具。我也是通过edX、哈佛扩展学院和哈佛暑期学院提供的Python人工智能入门和Python和JavaScript Web编程的讲师。 我曾与许多其他计算机科学课程合作过,包括CS51,哈佛计算机抽象与设计课程,CS124,哈佛算法导论,以及CS100,哈佛数字人文领域的软件工程课程。除了计算机科学教育,我还在Palantir做过软件工程实习生,在哈佛深红报做过新闻主管和数字战略家,我还在 3P Speech和全国演讲与辩论协会工作过。我对计算、语言和教育感兴趣。

个人链接:https://brianyu.me/

部分PPT:

成为VIP会员查看完整内容
0
79

相关内容

哈佛大学(Harvard University)是一所位于美国马萨诸塞州剑桥市(波士顿郊外)的私立大学,常春藤盟校成员之一。它的历史比美国悠久,是北美洲第一所大学,绰号为深红。哈佛与临近的麻省理工学院在世界上享有一流大学的声誉、财富和影响力,在英语系大学中的排名尤其突出。

本书涵盖了这些领域中使用Python模块演示的概率、统计和机器学习的关键思想。整本书包括所有的图形和数值结果,都可以使用Python代码及其相关的Jupyter/IPython Notebooks。作者通过使用多种分析方法和Python代码的有意义的示例,开发了机器学习中的关键直觉,从而将理论概念与具体实现联系起来。现代Python模块(如panda、y和Scikit-learn)用于模拟和可视化重要的机器学习概念,如偏差/方差权衡、交叉验证和正则化。许多抽象的数学思想,如概率论中的收敛性,都得到了发展,并用数值例子加以说明。本书适合任何具有概率、统计或机器学习的本科生,以及具有Python编程的基本知识的人。

成为VIP会员查看完整内容
0
163

课程简介: 本课程将向学生介绍NLP的基础知识,涵盖处理自然语言的标准框架以及解决各种NLP问题的算法和技术,包括最新的深度学习方法。 涵盖的主题包括语言建模,表示学习,文本分类,序列标记,语法解析,机器翻译,问题解答等。

课程安排:

  • 概述与简介
  • 语言模型
  • 文本分类
  • 线性模型
  • 词嵌入
  • 神经网络基础
  • 序列模型
  • EM模型
  • RNN神经语言模型
  • 解析介绍
  • 机器翻译
  • 神经机器翻译
  • 文本词嵌入
  • 问答系统
  • 对话系统
  • 嘉宾讲座

嘉宾介绍:

陈丹琦,普林斯顿大学计算机科学的助理教授,在此之前,是西雅图Facebook AI Research(FAIR)的访问科学家。 斯坦福大学计算机科学系获得博士学位,并在斯坦福NLP集团工作。研究方向:自然语言处理,文本理解、知识解释。

Karthik Narasimhan,普林斯顿大学计算机科学系助理教授,研究跨越自然语言处理和强化学习。

成为VIP会员查看完整内容
0
71
小贴士
相关VIP内容
相关论文
Visualizing and Measuring the Geometry of BERT
Andy Coenen,Emily Reif,Ann Yuan,Been Kim,Adam Pearce,Fernanda Viégas,Martin Wattenberg
5+阅读 · 2019年10月28日
Liang Yao,Chengsheng Mao,Yuan Luo
8+阅读 · 2019年9月11日
Knowledge Flow: Improve Upon Your Teachers
Iou-Jen Liu,Jian Peng,Alexander G. Schwing
4+阅读 · 2019年4月11日
Yang Liu
21+阅读 · 2019年3月25日
Chris Alberti,Kenton Lee,Michael Collins
7+阅读 · 2019年3月21日
Data Augmentation of Room Classifiers using Generative Adversarial Networks
Constantinos Papayiannis,Christine Evers,Patrick A. Naylor
4+阅读 · 2019年1月10日
Reza Ghaeini,Xiaoli Z. Fern,Hamed Shahbazi,Prasad Tadepalli
4+阅读 · 2018年6月1日
Jia-Hong Huang,Cuong Duc Dao,Modar Alfadly,C. Huck Yang,Bernard Ghanem
4+阅读 · 2018年5月26日
Paul Groth,Michael Lauruhn,Antony Scerri,Ron Daniel Jr
6+阅读 · 2018年2月15日
Łukasz Kaiser,Samy Bengio
6+阅读 · 2018年1月29日
Top