雷鋒網(wǎng) AI 科技評論按：2018 年，AI 研習社為大家呈上了一系列公開課，讓更多的 AI 學術(shù)人員得以分享、傳播自己的研究成果，也讓科技愛好者們、學生們、其它研究人員們增進了對人工智能相關(guān)思維、知識、應(yīng)用的認識，為國內(nèi)人工智能長期持續(xù)發(fā)展的氛圍出一份力。

作為主打 AI 學術(shù)的「大講堂」，該欄目至今已產(chǎn)出 124 期分享內(nèi)容。在剛過去的春節(jié)，我們整理了其中熱度排在前十的公開課，然而這遠遠無法覆蓋這其中的眾多精華內(nèi)容，為此，我們決定追加整理 10 場熱度排在前二十的「大講堂」公開課內(nèi)容，以饗讀者。

1. 標準化技術(shù)在訓練深度神經(jīng)網(wǎng)絡(luò)中的應(yīng)用

分享嘉賓：

黃雷，北京航空航天大學計算機學院博士，曾于 2015 年 10 月至 2016 年 10 月在密歇根大學安娜堡分校 Vision & Learning 實驗室做關(guān)于深度學習模型優(yōu)化方面的研究。主要的研究領(lǐng)域為深度神經(jīng)網(wǎng)絡(luò)中標準化技術(shù)，半監(jiān)督學習，非參主動學習及相關(guān)方法在計算機視覺和多媒體領(lǐng)域中的應(yīng)用。目前已發(fā)表學術(shù)論文十余篇，包括 CVPR，ICCV 和 AAAI 等。

分享內(nèi)容：

標準化技術(shù)目前已被廣泛應(yīng)用于各種深度神經(jīng)網(wǎng)絡(luò)的訓練，如著名的批量標準化技術(shù) (Batch Normalization, BN) 基本上是訓練深度卷積網(wǎng)絡(luò)的標準配置。裝配有 BN 模塊的神經(jīng)網(wǎng)絡(luò)模型通常比原始模型更容易訓練，且通常表現(xiàn)出更好的泛化能力。

本次 GAIR 大講堂報告人將闡述標準化技術(shù)應(yīng)用于訓練深度神經(jīng)網(wǎng)絡(luò)中的主要動機以及介紹一些主流的標準化技術(shù)，除此之外報告人也將講解其沿著這個方向發(fā)表在 AAAI 2018 的論文《Orthogonal Weight Normalization: Solution to Optimization over Multiple Dependent Stiefel Manifolds in Deep Neural Networks》。

回看網(wǎng)址：

http://www.mooc.ai/open/course/478

2. 基于網(wǎng)絡(luò)功能模塊的圖特征學習

分享嘉賓：

鄭文琛，微眾銀行人工智能項目組專家工程師和副總經(jīng)理。主要研究方向為結(jié)構(gòu)化數(shù)據(jù)的特征學習和遷移學習，已在相關(guān)研究領(lǐng)域發(fā)表了 60 余篇頂級會議和期刊論文，并擁有多項專利和技術(shù)。

在圖數(shù)據(jù)特征工程的成就獲得國際人工智能頂級會議 IJCAI 2018 年的 Early Career Spotlight，在遷移學習應(yīng)用于用戶行為識別的成就獲得國際會議 ICCSE 2018 年的最佳論文獎。是 Cognitive Computation 雜志的副主編。同時也是多個頂級人工智能國際會議的編委會委員和研討會的組織者。

分享內(nèi)容：

圖是一種常見的數(shù)據(jù)結(jié)構(gòu)，可以被用于許多不同的預測任務(wù)。如何從圖數(shù)據(jù)學習有效特征是個重要的問題。我們的新概念是從點和邊出發(fā)，拓展到更高階的子圖結(jié)構(gòu)（比如路徑、子圖）來幫助圖特征學習。這些高階的子圖結(jié)構(gòu)通常具有不同的功能，事實上在一起共同構(gòu)造了整個網(wǎng)絡(luò)，所以我們稱這些高階的子圖結(jié)構(gòu)為網(wǎng)絡(luò)功能模塊（Network Functional Blocks）。在這次分享中，我將用語義相關(guān)度搜索（Semantic Proximity Search）作為一個應(yīng)用例子，來介紹我們最近在探索不同粒度的網(wǎng)絡(luò)功能模塊、以進行有效圖特征學習的一些進展。

回看網(wǎng)址：

http://www.mooc.ai/open/course/560

3. 計算機視覺當中的零樣本學習（Zero-Shot Learning）

分享嘉賓：

管界超，中國人民大學信息學院大數(shù)據(jù)分析與智能實驗室 2018 級直博生，方向是機器學習與計算機視覺。本科就讀于中國人民大學數(shù)學系。

分享內(nèi)容：

機器學習中，傳統(tǒng)的圖像分類問題依賴大量帶標簽的訓練樣本。繁瑣的標注工作大大增加了圖像收集的人工成本，從而使得小樣本的機器學習方法，特別是其中的零樣本學習（Zero-Shot Learning）成為了近期機器學習的重要研究方向。零樣本學習旨在沒有帶標簽數(shù)據(jù)的情況下，通過對已知類別的映射學習獲得泛化能力強的學習器（分類器），再推廣到未知類上實現(xiàn)較好的分類效果（所以稱為零樣本或者是零標簽學習）。

回看網(wǎng)址：

http://www.mooc.ai/open/course/629

4. 語義分析介紹及跨語言信息在語義分析中的應(yīng)用

分享嘉賓：

鄒炎炎，新加坡科學設(shè)計大學博士在讀。主要研究方向為自然語言理解

分享內(nèi)容：

word embedding 是很常見的 input feature，能夠很大程度地提升模型的性能。另一方面，關(guān)于 output 對模型性能的影響，關(guān)注度并不是很高。在本次分享中，將介紹一下關(guān)于 output embedding 對于 semantic parsing 的影響。

回看網(wǎng)址：

http://www.mooc.ai/open/course/544

5. 混合比例估計（Mixture Proportion Estimation）及其應(yīng)用

分享嘉賓：

余席宇，悉尼大學，F(xiàn)EIT，四年級博士生，優(yōu)必選悉尼 AI 研究院學生。北京航空航天大學控制科學與工程學士，碩士。主要研究方向為矩陣分解，深度網(wǎng)絡(luò)模型壓縮以及弱監(jiān)督學習。

分享內(nèi)容：

在大數(shù)據(jù)時代，標注足夠多的訓練樣本往往耗費巨大。弱監(jiān)督學習方法往往能夠減輕對正確標簽的過度依賴，達到與監(jiān)督學習相近的性能。然而，在設(shè)計弱監(jiān)督學習方法時，我們需要理解無標簽樣本的分布情況（比如 semi-supervised learning），或者帶噪聲標簽樣本的噪聲大?。ū热?learning with label noise），這些問題的本質(zhì)就是混合比例估計。因此，混合比例估計在弱監(jiān)督學習中占有至關(guān)重要的作用。本次公開課，余席宇同學將分享他在混合比例估計中新的研究成果，以及其在弱監(jiān)督學習，遷移學習中的延伸應(yīng)用。

回看網(wǎng)址：

http://www.mooc.ai/open/course/493

6. 點擊率預估問題中的深度興趣網(wǎng)絡(luò)

分享嘉賓：

周國睿，北京郵電大學模式識別實驗室碩士，目前就職于阿里巴巴，主要研究定向廣告的排序相關(guān)工作，導師是愛可可愛生活老師，主要研究方向為 NLP，推薦系統(tǒng)等。工作曾在 KDD、AAAI、CIKM 等會議發(fā)表。

分享內(nèi)容：

隨著硬件能力的提升，提高了實際使用的模型復雜度的上限，深度學習在各個領(lǐng)域飛速發(fā)展。近期在點擊率預估問題上也有許多新的深度模型算法迸發(fā)。本次主要介紹阿里媽媽定向廣告中預估算法的演進，包括深度興趣網(wǎng)絡(luò)，興趣演化網(wǎng)絡(luò)等工作。

回看網(wǎng)址：

http://www.mooc.ai/open/course/571

7. 時空大數(shù)據(jù)和深度學習在交通事故預測上的應(yīng)用

分享嘉賓：

周遜，于明尼蘇達大學計算機系獲博士學位?，F(xiàn)為美國愛荷華大學商學院管理科學系助理教授。主要研究方向為時空數(shù)據(jù)挖掘和分析，城市計算，地理信息系統(tǒng)。多篇論文發(fā)表于 KDD, ICDM, CIKM, TKDE 等國際頂級會議和期刊，并多次擔任其程序委員會委員和審稿人。聯(lián)合主編 Encyclopedia of GIS 第二版。

分享內(nèi)容：

交通事故預測是一個重要且困難的研究問題。在較大時空范圍內(nèi)的預測尤其困難。主要原因是交通事故在時空上相對稀疏，以及不同地理環(huán)境 (如城鄉(xiāng)) 造成的時空異質(zhì)性 (spatial heterogeneity). 本次公開課將討論利用深度學習模型和時空大數(shù)據(jù)預測交通事故的最新工作。同時還將介紹其他時空數(shù)據(jù)挖掘和城市計算的研究問題及相關(guān)進展。

回看網(wǎng)址：

http://www.mooc.ai/open/course/576

8. 閑聊對話中的句式控制

分享嘉賓：

柯沛，清華大學計算機系在讀博士，導師是朱小燕教授，主要研究方向為自然語言生成、對話系統(tǒng)，其研究工作曾在 ACL 上發(fā)表。

分享內(nèi)容：

對話生成是近年自然語言處理領(lǐng)域的熱門方向之一，如何控制回復的屬性（如情緒、風格等）以提升回復質(zhì)量和交互體驗成為學術(shù)界和工業(yè)界共同關(guān)注的話題。在本次分享中，講者將分享對話生成可控性的最新工作。

回看網(wǎng)址：

http://www.mooc.ai/open/course/527

9. 一種新型光幕傳感器 Light curtain sensor 在機器人避障和無人駕駛中的應(yīng)用

分享嘉賓：

王建，Snap 公司 Research Scientist，卡內(nèi)基梅隆大學博士，導師是 Aswin Sankaranarayanan 教授和 Srinivasa Narasimhan 教授，主要研究方向為計算機視覺，三維視覺，計算攝影等。其研究工作曾在 CVPR、ICCV、ECCV、ICCP 等發(fā)表并且多次獲得 oral presentation 機會。

分享內(nèi)容：

像 LIDAR 這樣的 3D 傳感器經(jīng)常用于今天的道路場景理解。讓我們簡要地看看它是如何被使用的。在 GPS 和 IMU 幫助的情況下，我們將大量的捕獲的點云注冊到預先構(gòu)建的或累積的 3D 地圖，然后使用復雜的、計算量大且存儲密集的深度學習方法來檢測和分割運動的障礙物。這些方法被證明是有效的，但是，對于一些簡單的問題，例如：「一個物體切入我的車道嗎」？或者「人行道上有人嗎？」所有這些計算是不必要的。

我們提出的「可編程光幕」傳感器（light curtain sensor）對于機器人和無人車避障問題提供了一種替代解決方案，幾乎不需要計算開銷，同時具有高能效和靈活性。在本次公開課中，講者將分享其關(guān)于光幕傳感器的設(shè)計。

回看網(wǎng)址：

http://www.mooc.ai/open/course/561

10. AI 藝術(shù)與道子智能系統(tǒng)

分享嘉賓：

高峰，2007 年獲得英國倫敦大學學院（University College London）計算機科學學士學位，本科畢業(yè)設(shè)計工作是人工智能領(lǐng)域計算機人臉表情識別技術(shù)。2018 年獲得北京大學計算機科學博士學位，主要以人工智能前沿技術(shù)研究探索計算機科學與繪畫藝術(shù)交叉領(lǐng)域?，F(xiàn)為清華大學未來實驗室博士后，主要研究領(lǐng)域為科技與藝術(shù)交叉學科，探索人類未來生活中人工智能技術(shù)在安防、醫(yī)療健康、教育、藝術(shù)等領(lǐng)域的應(yīng)用。多篇論文發(fā)表于國際頂級多媒體會議 ACM Multimedia、IEEE 會刊、國內(nèi)核心期刊《計算機學報》等，相關(guān)研究成果已成功應(yīng)用于中國美術(shù)家協(xié)會、雅昌集團等單位。

分享內(nèi)容：

高峰博士的《基于人工智能的繪畫分析理論與方法研究》獲得國家自然科學基金青年科學基金項目立項，研究期限 2019 年 1 月至 2021 年 12 月。此項目主要研究內(nèi)容：基于人工智能的繪畫分析理論與方法研究。計算機科學與繪畫藝術(shù)的交叉研究，不僅有利于人工智能的發(fā)展，也有利于繪畫藝術(shù)的文化創(chuàng)新。本項目通過機器學習方法特別是深度學習技術(shù)將繪畫相關(guān)信息定量化，從而進行分析與探索。具體來說，是從鑒、緒、讀、賞、創(chuàng)、育六個部分展開?！歌b」指利用深度學習技術(shù)設(shè)計針對相似性繪畫圖像檢索的有效特征?！妇w」指設(shè)計融合邊緣特征與局部不變性特征的針對區(qū)分繪畫筆觸特點的圖像特征?！缸x」指利用機器學習方法設(shè)計多任務(wù)輔助及從細節(jié)、局部、整體入手的多范圍架構(gòu)來區(qū)分繪畫風格與畫家特點?！纲p」指結(jié)合深度學習技術(shù)設(shè)計基于生成對抗網(wǎng)絡(luò)針對中國畫用筆用墨特點的繪畫風格遷移算法模型?！竸?chuàng)」指將繪畫風格遷移模型應(yīng)用于輔助繪畫創(chuàng)作及可視化分析呈現(xiàn)?！赣怪该嫦蚶L畫教育的智能人機交互方法及基于反饋的認知模型。并構(gòu)建和標注高質(zhì)量相關(guān)圖像數(shù)據(jù)集，開拓基于人工智能的計算機科學與繪畫藝術(shù)相結(jié)合的跨學科交叉領(lǐng)域研究。

分享網(wǎng)址：

http://www.mooc.ai/open/course/618

雷鋒網(wǎng) AI 科技評論                                     雷鋒網(wǎng)                                      

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。