Skip to content

Latest commit

 

History

History
112 lines (94 loc) · 4.23 KB

README.md

File metadata and controls

112 lines (94 loc) · 4.23 KB
Raw

CAMA-LAB 机器学习暑期研讨班（2017）

介绍

  • 面向对象：准研一学生 + 大一、大二本科生
  • 场地：杭电东校区
  • 时间：7月17号-9月15号 （工作日：8:00-17:30）
  • 内容
    • 机器学习／深度学习 + 计算机视觉应用
    • 课题／项目：选择部分学生，参与老师的研究课题／项目
  • 形式
    • 每周
      • 老师指定学习内容，并进行部分讲解
      • 学生自学为主，鼓励自由讨论
      • 定期开会讨论
      • 提交技术报告（算法思想、编程实现、实验结果及分析）
    • 暑期结束
      • 提交大报告、项目总结
      • 选择部分学生，在 2017-18 学年持续参与老师课题
  • 讨论方式
    • 线下：东区和老师、研究生学长交流
    • 线上：Twist 为主，QQ 群为辅
  • 高强度、严要求、安全第一
  • 关于作业
    • 每周一会对上周的作业进行讲解
      • 讲解幻灯片和相关资料会上传到 Github
    • 每周三会发布一份上周作业的标准答案
      • 标准答案会发布到 Twist 上
      • 非班上成员可以联系 [email protected] 获取答案

整体内容安排（暂定）

机器学习

第一周：热身 （7 月 17 日 - 7 月 22 日）

  • Python 编程基础
  • 图像表示：
    • 矩阵、颜色空间
    • 图像特征：像素值、颜色直方图、梯度直方图、LBP
    • 作业：图像读写、特征提取
  • 回归：
    • 算法：线性回归，线性回归+正则项（L1, L2）
    • 优化：梯度下降法
    • 测度：欧式距离、街区距离、范数、Loss
    • 作业：波士顿房价预测

第二周：分类 （7 月 24 日 - 7 月 29 日）

  • 算法：k-NN, Logistic Regression, 决策树
  • 作业：
    • MNIST 手写数字识别、CIFAR-10 图像分类
    • 采用第一周的特征 + 第二周的方法（多种组合，对比结果）
    • 井字棋胜负判断

第三周：经典算法 (8 月 1 日 - 8 月 5 日）

  • 支撑向量机
    • 推荐博文：SVM《理解SVM的三层境界》
  • 图像特征：, SIFT, Visual BoW,
  • 作业：井字棋胜负判断

第四周：无监督特征学习（Unsupervised Feature Learning, Manifold Learning）

  • Andrew Ng 论文
  • 聚类：K-means, K-means++
  • 降维：PCA, ICA, ZCA, LLE, AE
  • 作业：UFL + SVM，进行CIFAR-10图像分类
  • 推荐阅读：pluskid 博客

扩展：

  • 经典方法：谱聚类、朴素贝叶斯、EM算法、稀疏编码 Sparse Coding
  • 集成学习：Adaboost, Random Forest, gdbt (XGBoost)
  • 结构化学习 Structured Learning
  • 排序学习 Learning to Rank
  • 强化学习 Reinforcement Learning
  • 模仿学习 Imitation Learning

深度学习

第五周：卷积神经网络 CNN

  • 概念：卷积, Pooling, Stride, Padding, Data Augmentation, Learning Rate, Momentum, Softmax, ReLU, BP, SGD, Cross-Entropy Loss
  • 网络：LeNet, AlexNet, VGGnet, GoogLeNet, ResNet
  • 框架：Keras, Pytorch
  • 作业：
    • 自己搭建浅层网络（神经网络+卷积神经网络）
      • 1）自己实现
      • 2）使用框架
      • 两个对比
    • Image Sentiment Classification
      • 1）Analyze the Model by Confusion Matrix
      • 2）Analyze the Model by Plotting the Saliency Map
        1. Analyze the Model by Visualizing Filters (1%)
        1. Semi-supervised Learning

第六周：递归神经网络

  • 网络：RNN, LSTM

  • 作业：

    • 1）由 Cosin 预测 Sin，自己编程实现网络
    • 2）Image Captioning，使用框架实现

扩展：

  • 经典应用论文：Deep Learning 推荐阅读列表（余宙）
  • 生成对抗网络：GAN, CGAN, DualGAN, CircleGAN

主要人员

教师 - - - -
俞俊 高飞 谭敏 余宙 朱素果
助教
罗宇矗 钱哲琦 朱朝阳 项晨钞 施圣洁
张海超 孟宣彤 郑光剑 吴炜晨