CS自学指南-机器学习进阶

CMU 10-708: Probabilistic Graphical Models

课程简介

• 所属大学：CMU
• 先修要求：Machine Learning, Deep Learning, Reinforcement Learning
• 课程网站：https://sailinglab.github.io/pgm-spring-2019/
• 这个网站包含了所有的资源：slides, nots, video, homework, project

这门课程是 CMU 的图模型基础 + 进阶课，授课老师为 Eric P. Xing，涵盖了图模型基础，与神经网络的结合，在强化学习中的应用，以及非参数方法。相当硬核

Columbia STAT 8201: Deep Generative Models

课程简介

• 所属大学：Columbia University
• 先修要求：Machine Learning, Deep Learning, Graphical Models
• 课程网站：http://stat.columbia.edu/~cunningham/teaching/GR8201/

这门课是一门 PhD 讨论班，每周的内容是展示 + 讨论论文，授课老师是 John Cunningham。Deep Generative Models （深度生成模型） 是图模型与神经网络的结合，也是现代机器学习最重要的方向之一

STA 4273 Winter 2021: Minimizing Expectations

课程简介

• 所属大学：U Toronto
• 先修要求：Bayesian Inference, Reinforcement Learning
• 课程网站：https://www.cs.toronto.edu/~cmaddis/courses/sta4273_w21/

这是一门较为进阶的 Ph.D. 研究课程，核心内容是 inference 和 control 之间的关系。授课老师为 Chris Maddison (AlphaGo founding member, NeurIPS 14 best paper)

STATS214 / CS229M: Machine Learning Theory

课程简介

• 所属大学：Stanford
• 先修要求：Machine Learning, Deep Learning, Statistics
• 课程网站：http://web.stanford.edu/class/stats214/

经典学习理论 + 最新深度学习理论，非常硬核。授课老师之前是 Percy Liang，现在是 Tengyu Ma