高級機器學習專業課程

深入研究現代人工智能技術，你將教電腦看、畫、讀、說、玩遊戲、解決專業問題。

這個專業課程介紹了深度學習、強化學習、自然語言理解、電腦視覺和貝葉斯方法。頂尖的 Kaggle機器學習實踐者和 CERN 科學家將分享他們解決現實世界問題的經驗，並幫助你填補理論與實踐之間的落差。完成7門課程後，你將能夠在企業中應用現代機器學習方法，並了解實戰資料與設置應注意的事項。

專案概略

你將在課程專案中解決各種實戰問題如圖像字幕和自動化遊戲等精通技能，獲得應用先進機器學習技術的實戰經驗。這些技術是奠定人工智能領域當前發展水準的基礎。

製作方

Faculty of Computer Science

計算機科學學院（ Faculty of Computer Science http://cs.hse.ru/en/ ）培訓開發人員和研究人員。該計劃是根據美國和歐洲的大學如史丹佛大學(美國) 和瑞士洛桑聯邦理工學院（EPFL）的經驗創建的。在創建該學院時也考慮到了這一點。資料分析學院 ( School of Data Analysis ) 是俄羅斯計算機科學領域最強的研究生學院之一。學院中的學習都是基於實踐和專案。

National Research University- High School of Economics（HSE）

國立研究大學( National Research University ) – High School of Economics（HSE）是俄羅斯頂尖的研究型大學之一。成立於1992年，旨在促進經濟學和相關學科的新的研究和教學，現在提供各種大學課程，包括商業、社會學、文化研究、哲學、政治學、國際關係、法律、亞洲研究、媒體與通訊、資訊技術 ( IT )、數學、工程等等。了解更多www.hse.ru

第 1 門課程深度學習導論

課程概述

本課程的目標是讓學習者對現代神經網路及其在電腦視覺和自然語言理解中的應用有基本的了解。本課程首先回顧線性模型，並討論隨機優化方法，這對於訓練深度神經網路至關重要。學習者將研究神經網路的所有流行構建模塊，包括完全連接層、卷積層和遞歸層。

學習者將使用這些構建塊來定義 TensorFlow 和 Keras 框架中復雜的現代架構。在課程中學習者將實現深度神經網路的圖像字幕任務，解決為輸入圖像給文字描述的問題。

這門課程的先決條件是：

Python 的基本知識
線性代數和機率的基礎。

請注意，這是一門高級課程，我們假設你已經懂機器學習的基本知識 :

線性回歸：均方誤差 ( mean squared error )、分析解 (analytical solution)。
邏輯回歸：模型、交叉熵損失 ( cross-entropy loss )、類機率估算 ( class probability estimation )。
線性模型的梯度下降。 MSE的衍生物和交叉熵損失函數。
過度靡合 ( overfitting )的問題。
線性模型的正則化 ( regularization )。

第 2 門課程如何贏得資料科學競賽：向頂級 Kagglers 學習

課程概述

如果你想進入競爭的資料科學，那麼這個課程是給你的！參與預測性建模競賽可以幫助你獲得實戰經驗，改善和利用你在信用、保險、市場行銷、自然語言處理、銷售預測和電腦視覺等領域的資料建模技能。同時你還將在有數千名參與者的競爭環境中做到這一點，在那每個參與者都試圖建構最具預測性的演算法。將彼此推到極限將帶來更好的表現並降低預測誤差。能夠一直保持前幾名將可幫你加速資料科學的職業生涯。

在這門課程中，你將學習如何分析和解決這些預測性建模任務。

完成本課程後，你將：

了解如何有效地解決預測建模競賽，並了解獲得的哪些技能可以適用於實戰的任務。
了解如何預處理資料，並從各種來源（如文本和圖像）生成新功能。
了解先進的特徵工程 ( feature engineering ) 技術，如生成均值編碼 ( mean-encodings )、使用匯總的統計度量或尋找最近的鄰值作為改善你的預測的手段。
能夠形成可靠的交叉驗證方法，幫助你做解決方案的標竿 ( beanchmark ) ，並在測試未觀察到的(測試)資料下避免過度彌合或彌合不足。
獲得分析和解釋資料的經驗。你將意識到不一致、高噪音級別、錯誤和其他資料相關的問題，如洩漏，你將學習如何克服它們。
獲得不同演算法的知識，並學習如何有效地調整超參數並實現最佳性能。
掌握結合不同機器學習模式的藝術，學習如何配合運作。
接觸過去(獲獎)的解決方案和程式碼，並學習如何讀它們。

免責聲明：這不是一般的機器學習課程。本課程將教你如何面對數千名競爭對手獲得前幾名的解決方案，重點放在機器學習方法的實際應用上，而不是其背後的理論基礎。

先決條件：

Python：在 pandas 中使用 DataFrame，在 matplotlib 中繪製圖形，從 scikit-learn 、XGBoost、LightGBM 輸入和訓練模型。
機器學習：對線性模型、K-NN、隨機森林、梯度提升和神經網路的基本理解。

第 3 門課程貝葉斯方法 ( Bayesian Methods )的機器學習

課程概述

貝葉斯方法 ( Bayesian methods )被用於許多領域：從遊戲開發到藥物發現。他們給超級列強許多機器學習演算法：處理失去的資料、從小資料集提取更多的資訊。貝葉斯方法還使我們能夠估計預測的不確定性，這對於醫藥等領域來說是一個非常理想的功能。

當貝葉斯方法應用於深度學習時，事實顯示，它們可以讓你將模型壓縮100倍，並自動調整超參數，從而節省你的時間和金錢。

在六週內，我們將討論貝葉斯方法的基礎知識：從如何定義機率模型到如何從中做出預測。我們將看到如何完全自動化這個工作流程，以及如何運用一些先進的技術加速。

我們還將探討貝葉斯方法如何應用到深入學習，以及如何生成新的圖像。我們將會談到如何用貝葉斯方法找到治愈嚴重疾病的新藥。

第 4 門課程強化學習 ( Reinforcement Learning ) 導論

課程概述

本課程的目標就是：向學生介紹增強學習 – 現代人工智能研究的突出領域。強化學習與監督式和非監督式學習有很大不同，更多的是關於人類在現實中如何學習。

學生將從這門課程中學習理論核心和最近實用的RL方法。最重要的是，他們將學習如何將這些方法應用於實際問題。在六個星期內，學生將通過強化學習（RL）的基礎指導：我們將談論 RL的基本理論、基於價值的方法 ( 如 SARSA 和 Q學習 )、基於策略的演算法和方法，旨在解決最優化探索問題。除了演算法和理論，在這個過程中，我們還將介紹有用的實用訣竅和技巧，學習穩定性的所需，並研究如何將這些方法應用於深度神經網路的大規模問題。

第 5 門課程電腦視覺深度學習

課程概述

深度學習為原本已經在迅速發展的電腦視覺領域注入更大的推進力。隨著深度學習，電腦視覺技術的許多新的應用紛紛出現，並且正在成為我們日常生活的一部分。這些包含人臉識別和索引、相片風格化或自動駕駛汽車的機器視覺。

本課程的目標是向學生介紹電腦視覺，從基礎開始，然後轉向更現代化的深度學習模式。我們將涵蓋圖像與影片辨識，包含圖像分類和註釋、物件識別和圖像搜索、各種物件檢測技術、運動估計、影片中的目標跟蹤、人體動作識別，以及圖像風格化、編輯和生成新圖像。在課程的專案中，學生將學習如何建立人臉識別和操縱系統，以了解這種技術的內部機制，這可能是電影和電視的電腦視覺和人工智能中最著名和經常展示的例子。

第 6 門課程自然語言處理

課程概述

本課程涵蓋了從基礎到進階的廣泛任務的自然語言處理：情感分析、摘要、對話狀態跟蹤等等。完成後，你將能夠在日常工作中識別 NLP 任務，提出方法，並判斷哪些技術可能運作良好。最後的專案將致力於討論當今 NLP 最熱門的話題之一。你將建立自己的會話聊天機器人，這將配合到 StackOverflow 網站搜索求助。該專案將根據課程的實際作業，為你提供文本分類、命名實體識別和重複檢測等實踐經驗。

在整個講座過程中，我們的目標是在 NLP 的傳統和深度學習技術之間找到一個平衡點，並同時涵蓋。例如，我們將討論機器翻譯中的單詞對齊模型，並且看看編碼器 – 解碼器( encoder-decoder )神經網路中的關注機制 ( attention mechanism )有多相似。核心技術不被視為黑盒子。相反，你會深入了解裡面發生的事情。為了取得成功，我們期望你熟悉線性代數和機率理論、機器學習設置和深度神經網路的基礎知識。有些教材是基於最新一個月的文件，並介紹你 NLP 研究的最先進的技術。

第 7 門課程用機器學習解決大型強子對撞機的挑戰

課程概述

大型強子對撞機（LHC）是目前最大的數據生成機器。它不會產生大數據，而是超大數據。光四個實驗中的一個就產生了每秒千兆字節。數據流量的強度只會隨著時間的推移而增加。所以資料處理技術必須相當複雜和獨特。在本課程中，我們將向學生介紹數據流背後物理學的主要概念，如此宇宙物理學家正在尋求的主要難題的解答將更為透明。

當然，我們將仔細研究資料處理流程的主要階段，重點研究機器學習技術在跟蹤模式識別、粒子識別、線上實時處理（觸發器）以及尋找非常稀少的衰變等任務中的作用。本課程的作業將使你有機會運用先進的資料分析技術，在探索新物理的同時應用你的技能。完成本課程後，你將更好地理解實驗物理學和機器學習的原理。