有没有最新的深度学习和深度强化学习的教学资源？( 三 ) _经验常识

语言理解
来自CMU的GrahamNeubig主讲这门课《自然语言理解》，共分为三部分：语言建模、序列传导（sequencetransduction）和语言分析。从现象到原理到解决方案，由浅入深，图文并茂。语言建模部分介绍了NLP中的一些基本知识：词袋模型（BOW）、连续词袋模型（CBOW）、DeepCBOW、Bagofn-grams、池化、NLP预测任务中的神经网络基本思路等。此外，这部分还介绍了用于NLP任务时CNN、RNN的优缺点。序列传导部分介绍了条件语言模型（ConditionedLanguageModel）、生成问题、句子表征和注意力机制。第三部分语言分析介绍了三个分析任务：标注、句法分析和语义分析。
多模型学习
GoogleAI研究科学家JamieKiros主讲这门课，主要介绍GroundedLanguageLearning，共分为三个部分：GroundingandScope、构造块（包括当前最佳实践），以及与其他研究之间的关系。第一部分介绍了naturallanguagegrounding的发展历史以及两种主要方法：Tietrainingandevaluationscopes、Growtrainingscope,evaluateinworldscope 。第二部分介绍了五个通用组件：编码、解码、交互（interaction）、预测／控制、目标函数；三种交互方式：Scoring、Fusion和Modulation 。第三部分介绍了与GroundedLanguageLearning相关的研究领域：Contextualization、Multi-aptrepresentations、RelevanceRealization、Specificity、自然语言生成和对话。
计算神经科学
主题为「大脑中的深度学习」。这门课从「为什么深度学习不止用于AI？」这个问题入手，指出深度学习研究的目标之一是理解大脑的运行原理。然后指出深度学习需要什么：根据隐藏层对网络输出的贡献向神经突触分配信用（credit）。接着介绍解决方案——反向传播，以及原版反向传播的生物问题。最后介绍了四个问题：errorterm、下游权重（downstreamweight）、derivatvesofspikes和前向／反向传输。
强化学习夏季课程另外一系列优秀的资源，它从强化学习的「启蒙」到深度强化学习与模仿学习介绍了RL的主要脉络与基础。不过强化学习夏季课程可能需要一些数学基础，这样才能比较好地理解随机采样等具体方法。
此外，读者也可以查看阿尔伯塔大学计算机系博士YuxiLi的深度强化学习手稿，这份150页的手稿从值函数、策略、奖赏和模型等六个核心元素详细介绍了深度强化学习的方向与细节。
下图展示了强化学习夏季课程的主题与演讲者，我们只简要介绍RichardSutton给我们的强化学习「启蒙」。
在Sutton的课程中，他首先介绍了在9月份正式发布的《ReiforcementLearning:AnIntrifuction》第二版，这本书的电子版同样可以从Sutton的主页获得。随后Sutton从生物学基础开始介绍了什么是强化学习，即给定环境和状态的情况下智能体会采取某个行动，而这个行动又会影响到环境，因此影响后的环境将反馈给智能体一些奖励或惩罚，这样智能体在不同的环境下就知道该采取什么样的行动。
当然Sutton还介绍了强化学习的很多基本概念，包括什么是智能体、环境和策略等，此外也讨论了很多基本的强化学习方法，包括马尔可夫决策过程和Q学习等。
该课程最近还放出了课程视频，不过这些视频并没有带英文字幕，因此考验你们听力的时候到了。
视频地址：http://videolectures.net/DLRLsummerschool2018_toronto/
深度学习夏季课程
强化学习夏季课程
每一个视频在边栏都提供了对应的课程资料，且视频只包含讲师的介绍而不包含对应的PPT，所以如果读者要学习的话，不仅听力要好，同时还得根据内容手动翻PPT 。

文章插图
推荐一本《深度强化学习落地指南》，电子工业出版社2021年出版的新书。

特别声明：本站内容均来自网友提供或互联网，仅供参考，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。