本文共 643 字,大约阅读时间需要 2 分钟。
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
转载地址:https://lqfarmer.blog.csdn.net/article/details/100178749 如侵犯您的版权,请留言回复原文章的地址,我们会给您删除此文章,给您带来不便请您谅解!