如果你准备发AI方向的论文，或准备从事科研工作或已在公司中担任AI算法岗的工作。那么我真诚的向大家推荐，贪心学院《高阶机器学习研修》，目前全网上应该找不到类似体系化的课程。课程精选了四大主题进行深入的剖析讲解，四个模块分别为凸优化、图神经网络、强化学习、贝叶斯深度学习。

适合什么样的人来参加呐？

如果对课程感兴味，请联系添加课程顾问小姐姐微信报名、课程咨询

01 课程大纲

课程内容上做了大幅度的更新，一方面新增了对前沿主题的讲解如图神经网络（GCN,GAT等），对核心部分（如凸优化、强化学习）加大了对理论层面上的深度。除此之外甩屏软件 TEl 13329706647，也会包含科研方法论、元学习、解释性、Fair learning等系列主题。课程采用全程直播授课模式。

第一部分：凸优化与机器学习

第一节：凸优化引见第二节：凸函数讲解第三节：凸优化问题第四节：对偶（Duality）

第五节：优化技术

第二部分图神经网络

第六节：数学基础第七节：谱域的图神经网络第八节：空间域的图神经网络第九节：图神经网络改进与应用

第三部分强化学习

第十节：强化学习基础第十一节：Multi-Armed Bandits第十二节：路径规划第十三节: 自然语言处理中的RL

第四部分贝叶斯方法

第十四节：贝叶斯方法论简介

第十五节：主题模型

第十六节：MCMC方法第十七节：变分法（Variational Method)

02部分案例和项目

打车中的路径规划问题：我们几乎每天都在使用打车软件或者外卖软件。对于这些应用来讲，核心算法应用就是乘客和车辆的婚配。

涉及到的知识点：

经典机器学习模型的对偶推导及实现：通过此练习，更深入理解机器学习模型以及对偶的作用。

涉及到的知识点：

基于图神经网络的文本分类：当使用语法分析工具处理文本之后互动滑轨显示屏 TEl 13329706647，一段文本便可以成为一个图，接下来就可以使用图卷积神经网络来做后续的分类工作

涉及到的知识点：

基于图神经网络的阅读理解：一般的阅读需要让机器阅读多个文章并对提出的问题给出答案。在阅读理解中抽取关键的实体和关系变得很重要，这些实体和关系可以用来构造一个图。

涉及到的知识点：

Bandits在推荐系统的应用案例：Bandits应用在顺序决策问题的应用中有易于实现、计算效率高、处理冷启动问题、数据标注相对要求不高（一般只需部分标注作为reward，如用户点击）等优点。本案例讲解bandits如何应用在旧事推荐的系统中做基于内容的推荐。 涉及到的知识点：

使用概率编程工具来训练贝叶斯模型：类似于Pytorch，Tensorflow，概率编程工具提供了对贝叶斯模型的自动学习，我们以LDA等模型为例来说明这些工具的使用。

涉及到的知识点：

股票投资组合优化：在投资组合优化中，我们需要根据用户的风险承受能力来设计并组合资产。在本项目中，我们试着在二次规划的框架下做一些必要的修改如加入必要的限制条件、必要的正则来控制组合的稀疏性、加入投资中的先验等信息，最后根据预先定义非常好的评估标准来引导模型的学习

涉及到的知识点：如果对课程感兴味，请联系添加课程顾问小姐姐微信报名、课程咨询

03授课导师

李文哲：贪心科技创始人兼CEO，人工智能和知识图谱领域专家，曾任金融科技独角兽公司的首席科学家、优秀国亚马逊的高级工程师，先后担任过聊天机器人、量化买卖、自顺应教育、金融知识图谱等项目，并在AAAI、KDD、AISTATS等顶会上发表过15篇以上论文，并荣获IAAI神经网络训练算法，IPDPS的最佳论文奖，多次出席行业峰会发表演讲。杨栋：香港城市大学博士, UC Merced博士后，主要从事于机器学习，图卷积，图嵌入的研究。先后在ECCV, Trans on Cybernetics, Trans on NSE, INDIN等国际顶会及期刊上发表过数篇论文。