第三代人工智能技术基础——从可微分编程到因果推理

第三代人工智能技术基础——从可微分编程到因果推理

本课程中,试图系统化地梳理从机器学习到大语言模型,从图神经网络到因果推理等一系列可能成为第三代人工智能基础的技术要素,为研究者或学生在生成式AI、大模型、AI for Science等研究者奠定基础

¥399
本课程包括
  • 26小时39分钟的视频随时观看
  • 可在APP随时观看
  • 结业证书
课程合作品牌
集智学园
你将收获
  • 了解当前第三代人工智能的最新进展
  • 掌握机器学习、神经网络、深度学习、数据驱动建模等人工智能
  • 掌握核心技术的基本概念和基本方法
  • 掌握应用PyTorch平台使用的基本技能,可以用于简单项目开发
浏览相关主题
课程介绍

自从1956年“人工智能”诞生于达特茅斯会议以来,已经经历了从早期的以符号推理为主体的第一代人工智能,以及以深度神经网络、机器学习为主体的第二代人工智能。而ChatGPT的横空出世,生成式AI的普及,以及AI for Science等新领域的突破,标志着第三代人工智能的呼之欲出。新一代人工智能将会融合第一代的符号推理与第二代的机器学习技术,通过生成式大模型实现可学习、懂因果、会推理的智能主体。

可微分编程、神经微分方程、自监督学习、生成式模型、Transformer、基于图网络的学习与推理、因果表征与因果推断,基于世界模型的强化学习……,所有这些脱胎于前两代人工智能的技术要素很有可能将构成第三代人工智能的理论与技术的基础。然而,这些技术要素大多散落在各大会议、期刊的海量论文之中,没有被系统的梳理与综合,因而不方便初学者学习。

在这样的背景下,北京师范大学系统科学学院教授,集智俱乐部、集智学园的创始人张江老师,为大家带来了全新的《第三代人工智能技术基础——从可微分编程到因果推理》这门课程,试图系统化地梳理从机器学习到大语言模型,从图神经网络到因果推理等一系列可能成为第三代人工智能基础的技术要素,为研究者或学生在生成式AI、大模型、AI for Science等相关领域的学习和研究工作奠定基础。

适合人群
  • 对人工智能感兴趣,试图了解和掌握人工智能发展脉络的相关研究人员
  • 从事相关类型的学生或者研究者
  • 精进学习和研究 人工智能领域投资者
讲师介绍
为探索者创造生长涌现的环境
擅长领域:
  • 深度学习
集智学园创始人
擅长领域:
  • 人工智能认知与应用
  • 深度学习
  • 机器学习
  • 计算机视觉
  • 自然语言处理(NLP)
个人主页:https://jake.swarma.org/
课程大纲
共0节 时长0分钟 全部收起
第1章 大数据驱动的人工智能
共4节 | 1小时32分钟
  • 1. AI总览:新进展与应用领域
    28分钟
  • 2. AI发展历史-1
    26分钟
  • 3. AI发展历史-2
    24分钟
  • 4. AI发展历史-3
    14分钟
第2章 自动微分与PyTorch编程
共5节 | 1小时35分钟
  • 1. 自动微分
    25分钟
  • 2. PyTorch介绍-1
    22分钟
  • 3. PyTorch介绍-2
    23分钟
  • 4. 第一个机器学习程序案例
    22分钟
  • 5. 优化问题
    3分钟
第3章 机器学习基础
共5节 | 1小时36分钟
  • 1. 机器学习简介
    21分钟
  • 2. 回归分析-1
    18分钟
  • 3. 回归分析-2
    20分钟
  • 4. 二类任务-1
    19分钟
  • 5. 二类任务-2
    18分钟
第4章 常见神经网络架构
共6节 | 2小时1分钟
  • 1. 前馈神经网络-1
    17分钟
  • 1. 前馈神经网络-2
    23分钟
  • 2. 神经网络预测案例-1
    17分钟
  • 3. 神经网络预测案例-2
    23分钟
  • 4. 神经网络诊断
    13分钟
  • 5. 神经网络用于分类任务
    27分钟
第5章 神经微分方程
共3节 | 1小时8分钟
  • 1. 卷积神经网络-1
    17分钟
  • 1. 卷积神经网络-2
    24分钟
  • 2. 循环神经网络
    27分钟
第6章 表示学习与迁移学习
共5节 | 1小时49分钟
  • 1. 表示学习
    20分钟
  • 2. Word2Vec -1
    21分钟
  • 3. Word2Vec -2
    27分钟
  • 4. Word2Vec -3
    25分钟
  • 5. 迁移学习
    16分钟
第7章 生成模型概览
共6节 | 1小时31分钟
  • 1. 背景
    3分钟
  • 2. 残差网络
    11分钟
  • 3. NeuralODE基本介绍
    18分钟
  • 4. NeuralODE解决监督学习问题-1
    20分钟
  • 5. NeuralODE解决监督学习问题-2
    21分钟
  • 6. NeuralODE解决时间序列预测问题
    17分钟
第8章 从Transformer到ChatGPT
共6节 | 1小时31分钟
  • 1. 什么是AIGC
    8分钟
  • 2. 生成模型
    8分钟
  • 3. GAN -1
    17分钟
  • 4. GAN -2
    19分钟
  • 5. GAN -3
    28分钟
  • 6. 更多的GAN模型
    12分钟
第9章 图神经网络
共5节 | 1小时38分钟
  • 1. VAE-1
    17分钟
  • 1. VAE-2
    23分钟
  • 2. Flow-based models
    21分钟
  • 3. Diffusion models -1
    19分钟
  • 4. Diffusion models -2
    16分钟
第10章 复杂系统自动建模
共5节 | 1小时34分钟
  • 1. 背景
    9分钟
  • 2. Tranformer -1
    25分钟
  • 3. Tranformer -2
    27分钟
  • 4. 预训练模型
    8分钟
  • 5. ChatGPT
    24分钟
第11章 因果科学基础
共5节 | 1小时40分钟
  • 1. 背景
    15分钟
  • 2. 网络嵌入-1
    23分钟
  • 3. 网络嵌入-2
    23分钟
  • 4. 图卷积
    31分钟
  • 5. 图注意力网络
    8分钟
第12章 因果机器学习
共5节 | 2小时5分钟
  • 1. 动态图自编码器-1
    25分钟
  • 1. 动态图自编码器-2
    23分钟
  • 2. 网络补全-1
    25分钟
  • 3. 网络补全-2
    28分钟
  • 4. 图生成
    24分钟
第13章 基于世界模型的强化学习
共5节 | 1小时14分钟
  • 1. 复杂系统及其建模方法
    15分钟
  • 2. 动力学学习
    27分钟
  • 3. 网络重构
    17分钟
  • 4. 多尺度建模
    11分钟
  • 5. 模拟、优化与控制
    5分钟
第14章 因果推理原理
共5节 | 1小时40分钟
  • 1. 为什么研究因果
    15分钟
  • 2. 相关:贝叶斯网络
    27分钟
  • 3. 干预:因果图-1
    26分钟
  • 4. 干预:因果图-2
    12分钟
  • 5. 反事实:结构因果图
    20分钟
第15章 因果表示学习
共6节 | 2小时4分钟
  • 1. 背景和基础-1
    19分钟
  • 2. 背景和基础-2
    20分钟
  • 3. 因果发现
    24分钟
  • 4. 因果表示学习
    14分钟
  • 5. 因果涌现和神经信息压缩机-1
    19分钟
  • 6. 因果涌现和神经信息压缩机-2
    29分钟
第16章 因果与强化学习
共5节 | 2小时1分钟
  • 1. 基础知识
    30分钟
  • 2. AlphaGo
    28分钟
  • 3. 深度Q-Learning算法
    19分钟
  • 4. 强化学习与因果
    17分钟
  • 5. 世界模型
    26分钟
购课须知

课程有效期:

自购买课程之日起 365 天,部分参与营销活动产品以活动规则为准,请同学在有效期内学习、观看课程。

上课模式:

课程采取录播模式,请注意自学课无班级微信群、班主任带班及助教批改服务。

注:自学课不支持退款,确保你是真的需要再进行报名,报完名之后还请认真学习。