高等深度学习

基本信息

• 课程教师: 朱占星

• 课程助教:

  • 余冰, [email protected]
  • 孙科, [email protected]
  • 徐举, [email protected]

• 课程时间: 周二: 3:10-6:00 pm.

• 课程地点: 目前online

课程信息

课程内容:

深度学习是近年来人工智能取得突破的核心技术，在多个重要领域获得重要应用。本课程在“深度学习：算法与应用”课程的基础上，将更加深入的介绍深度学习中的高级专题内容，包括高级深度学习中的数学基础、理论、算法、几个相关人工智能领域的具体应用，让学生能够在实际中有能力完成人工智能任务的实现, 涉猎深度学习的前沿话题。

课程要求:

• 要求学生熟悉至少一门编程语言，对机器学习以及深度学习基础知识熟悉。
• 要求学生深入参与对前沿研究话题的文章阅读与演讲展示，大作业包括深度学习模型的基础理论分析、计算机视觉、自然语言处理或者游戏AI方面的应用。

评分标准

平时作业 (40%):

期末项目 (60%):

课程安排

Week 1

• Tue 02/18: 课程信息介绍 #### Week 2
• Tue 02/25: Semi-supervised and Self-supervised Learning
  • 刘奕好
  • 赵光香
  • 常瑞恒
  • 张铎
• Tue 03/03: Transfer learning
  • 何旭峥
• Tue 03/10: NLP
  • 阮端祥
  • 刘畅
  • 乐然
• Tue 03/17: GAN
  • 吴思琪
  • 宁顺磊
  • 柴劲航
  • 昌珺涵
  • 聂涵韬
• Tue 03/24: GAN's applications
  • 薛犇
  • 杨少萱
  • 黄道吉
  • 吴文琴
  • 张钊森
• Tue 03/31: Deep learning theory: loss landscape
  • 罗月
  • 周传赛
  • 韩洋
  • 肖天南
• Tue 04/07: Deep learning theory: optimization
  • 闵泽平
  • 朱桢源
  • 沈剑豪
• Tue 04/14: Deep learning theory: optimization dynamics
  • 王恒睿
  • 张伊凡
• Tue 04/21: Deep learning theory connection
  • 杨文昊
  • 谢广增
  • 林大超
  • 周扩
• Tue 04/28: Defense and Adversarial Training
  • 王泽昊
• Tue 05/12: Robustness
  • 居浩成
  • 杨埔
  • 冯韫禛
• Tue 05/19: Interpretability
  • 马晋
  • 叶德权
  • 文中扬
  • 钟易澄
• Tue 05/26: GNN
  • 孙浩轩
  • 习雨璇
  • 靴骁勇
  • 赵光智
  • 田贵宇
• Tue 06/02: Reinforcement Learning
  • 潘学海
  • 李子尧
  • 陈伟杰
  • 丁钊翰

参考文献

• Semi-supervised and Self-supervised Learning
• NLP
• Generative models: theory and algorithms
• Generative models: applications
• Deep learning theory: loss landscape
• Deep learning theory: optimization
• Deep learning theory connection
• Robustness
• Interpretability
• GNN
• Reinforcement learning